随着云计算和移动应用的高速发展,海量的计算任务和业务迁移使数据中心网络（Data Center Network,DCN）流量剧增,因链路负载不均衡导致的链路拥塞、数据包丢失的问题随之而来。软件定义网络（Software Defined Network,SDN）因其转控分离、编程控制的优势,以及能动态获取网络状态和实现精细化路由控制,为解决数据中心网络链路负载不均衡问题提供了新思路。SDN多控制器网络架构使数据中心网络的扩展和管理变得更加灵活,但由于数据中心网络流量动态变化,多控制器网络架构可能存在控制器负载不均衡的问题。因此,本文对基于SDN的数据中心网络负载均衡策略进行研究,主要研究内容如下:针对SDN数据中心网络数据平面中链路负载不均衡的问题,提出一种基于链路偏好的链路负载均衡策略。SDN控制器动态检测数据平面的链路状态,计算得到每条链路的带宽占用率,将链路带宽占用率映射为链路的偏好,根据链路的偏好对流量进行路由控制,从而实现链路中流量的均匀分布。为实现动态的路由控制,链路带宽占用率与链路偏好的映射关系随着网络流量动态变化。仿真结果表明,所提策略能有效改善链路负载均衡效果,提高链路整体带宽占用率,并减少数据包丢失率。针对SDN数据中心网络控制平面中控制器负载不均衡的问题,提出一种基于深度强化学习的控制器负载均衡策略。引入马尔可夫决策过程对SDN数据中心网络进行模型化分析,得到系统状态、交换机迁移动作和系统回报。使用双深度Q网络（Double Deep Q-Network,DDQN）拟合动作价值函数得到交换机迁移动作的Q值,再利用经验回放机制对DDQN进行训练,优化网络参数。使用DDQN计算当前系统状态下交换机迁移动作的Q值,选择Q值最大的动作进行交换机迁移。测试结果表明,所提策略能有效改善SDN多控制器的负载均衡效果,并能显著降低均衡时间。搭建仿真测试环境,验证链路负载均衡策略和控制器负载均衡策略集成工作时的负载均衡效果。仿真结果表明,所提的两种策略集成工作时能有效改善链路负载均衡和控制器负载均衡效果,并提高链路平均带宽占用率和控制器平均负载率。