随着无线技术的进步,各种智能的移动设备得以广泛应用,机会网络由于不要求端到端之间建立完整的通信路径,而是更加关注节点移动带来的相遇机会等特点,成为了通信领域的研究热点。因为节点间缺乏稳定的端到端消息转发路径,如何使消息高效、低迟延地传递至目的节点成为了机会网络研究中的热点问题之一。随着学者们的探索,在研究优化问题方面,机器学习算法取得了很大进步,因此本文结合机器学习方法对机会路由算法进行优化改进,更好地进行自适应消息转发。主要工作如下:（1）针对目前的社区路由算法仅考虑单个社区的局限性,本文提出一种基于聚类多社区的机会路由算法（Opportunistic Routing Algorithm Based on Clustering and Multi-community,ORACM）。该算法首先结合DBSCAN和K-means算法的优点,构建了热点位置估计模型来计算节点的热点位置,并对热点位置进行聚类得到簇,节点由于拥有多个热点位置,可能同属于多个社区。在消息传递过程中,ORACM算法充分利用节点的多社区特性以及中心度进行路由选择,同时设定冗余副本清除机制来减少消息的无效传递,避免资源浪费。最后使用真实的轨迹数据来验证ORACM算法,与已有的多种经典路由算法相比,ORACM算法投递率较高、网络负载较小,性能更好。（2）针对当前机会路由算法大多只考虑节点之间的关系亲密度,而不考虑自身的属性特征,本文提出一种基于谱聚类和C4.5算法的机会路由算法（Opportunistic Routing Algorithm Based on Spectral Clustering and C4.5 Algorithm,ORASCAC）。该算法首先根据节点间的关系亲密度,使用谱聚类算法进行社区划分。其次综合自身的属性特征,利用C4.5算法训练“信使节点”识别模型。在消息传递过程中,若源节点与目的节点同社区,则根据节点的中心度来确定消息是否转发。否则,基于训练好的模型确定“信使节点”将消息进行传递。最后进行实验验证ORASCAC算法的优劣,与已有的多种经典路由算法相比,ORASCAC算法投递率较高、网络负载较小。