电信行业作为国家的一个基础性产业,对国民经济的发展、国家经济安全与信息安全具有十分重要的意义。近年来,在存量用户争夺愈发激烈的大背景下,电信行业各运营商从客户的需求出发,针对不同类别客户设计不同套餐类型以满足客户的多层次需求。当前,国内电信用户数量已经趋近于饱和,在用户市场已经确定的前提下,各运营商为了最大限度的避免客户流失,其工作重点聚焦于如何满足客户需求。因此,建立用户话费套餐预测模型,对运营商的长远发展有重要意义。本论文主要从以下几个方面展开研究:（1）数据集的选取与处理。在过去的二十多年间,电信运营商积累了海量的用户话费套餐使用记录。因此本文在数据集选取上,选择与时代比较贴切的流量数据等内容,针对数据集的处理问题,本文首先对数据进行预处理,最终生成用户话费套餐选取数据集。（2）话费套餐预测模型设计。相关研究表明,深度学习模型虽然作为机器学习技术的一种,但研究偏向于在高维数据、图像数据挖掘中表现,在二维数据上的表现研究较少,而二维数据多使用传统机器学习例如支持向量机进行研究,同时深度学习的特征与预测结果是可以通过学习得到,区别于传统机器学习模型需要手动选择特征,从而可以减少选择的主观性,此外,研究表明混合模型与单一模型相比也有较高的准确率。因此,本文主要研究:1)深度学习技术在二维数据处理上是否具有较好的效果;2)深度学习单一模型预测准确率;3)深度学习融合模型预测准确率。综上所述在话费套餐预测模型选取上,本文采用深度学习卷积神经网络中VGG16和Res Net50单独模型以及两个模型的混合模型作为主要研究模型,并以机器学习支持向量机模型作为对比参照,研究深度学习技术在电信套餐预测准确率方面的差异性。（3）话费套餐预测模型的实现。为了验证本文所提出模型的有效性,本文将VGG16和Res Net50单一模型以及混合模型与支持向量机模型的预测结果进行对比分析测试。结果表明:1)深度学习技术在二维数据处理上具有较好效果;2)深度学习VGG16模型预测准确率低于机器学习支持向量机模型,深度学习Res Net50模型预测准确率高于机器学习支持向量机模型;3)深度学习VGG16与Res Net50融合模型预测准确率高于机器学习支持向量机模型。