随着互联网用户数量的增加以及业务的多样化,传统通信网络面对新的业务需求存在成本高、资源难以共享、网络配置灵活性不足等问题。软件定义网络（Software Defined Network,SDN）和网络功能虚拟化（Network Function Virtualization,NFV）的出现就是用来解决传统通信网络中出现的问题。软件定义网络（Software Defined Network,SDN）是通过全局控制器对全网设备进行集中式的管理与控制。NFV将网络功能与专有硬件设备解耦,并在通用设备上运行软件化的虚拟网络功能（Virtualized Network Function,VNF）,极大地提高了网络功能部署的灵活性和可扩展性。因此,SDN/NFV网络可以集中管理全局网络设备及资源,提高网络服务部署的灵活性和优化资源分配。在NFV网络场景中,网络流按照顺序依次经过一些网络功能被称为服务功能链（Service Function Chain,SFC）,SFC可以为用户提供特定的网络服务。然而,VNF可以部署在不同的底层物理节点上,在进行SFC部署的过程中,如何在底层物理网络节点中选择最优的节点部署VNF实例,以及如何产生满足SFC各种约束的部署路径,已经成为目前学术界研究的热点。网络中的资源往往是有限的,如何在SDN/NFV网络中为SFC高效合理地分配网络资源以完成用户请求,并降低网络资源成本和提高资源利用率是当前面临的挑战。本文主要研究SDN/NFV网络中SFC部署问题,论文的主要工作如下:（1）在已有的SFC部署工作中,SFC部署多分为VNF放置和链路放置两阶段,这种部署方法考虑网络资源利用率较为单一。而采用VNF节点和链路的联合放置同时考虑了带宽和计算资源的利用,可以有效提高网络资源利用率,实现网络负载均衡。本文针对网络资源容量受限的SFC部署问题,将节点计算资源和链路带宽资源作为一个整体,以两者资源成本之和的最小化为优化目标,提出了一种资源优化的SFC部署算法Viterbi-RA。该算法通过将物理网络拓扑转化成逻辑有向图的方式,根据链路带宽资源和节点计算资源选出满足约束的总资源成本最小的路径,实现了高效的SFC部署。通过仿真实验结果表明,与已有算法相比,Viterbi-RA在请求接受率、节点和链路资源利用率方面获得更高的网络性能。（2）在SDN/NFV网络中,SFC部署工作需要考虑到提供网络服务是一个动态的过程,SFC请求在不同时刻到达网络,并在网络中停留一段时间后离去。同时,不同的网络服务通常具有不同的Qo S约束,如带宽、等待时间等。因此,需要一种自适应的在线方法来自动部署具有不同要求的SFC请求。为解决以上挑战,本文提出了一种基于深度强化学习的自适应SFC部署算法DRL-Deploy。在学习代理中采用了一种基于图卷积网络的新型神经网络,以自动提取不规则图拓扑（即底层物理网络）中的空间特征。此外,DRL-Deploy将决策分为VNF放置决策和链路放置决策以解决使用深度强化学习时遇到的动作空间大的问题。DRL-Deploy使用深度强化学习来做出VNF放置决策,然后使用一个启发式算法来做出链路放置决策。本文采用了一种并行策略梯度训练方法,在优化学习代理的同时,保证了样本训练经验的有效性和鲁棒性。通过大量的仿真实验结果表明,与已有算法相比,DRL-Deploy在请求接受率、长期平均收入以及资源利用率方面都有着显著提升。