软件衰退是指一个长时间持续运行的软件系统会发生状态退化和性能降低,最终导致系统崩溃。随着计算机技术的不断发展,软件在计算机系统中所占的比重越来越大,软件衰退因素已经成为制约系统可靠性的重要因素。研究和实践表明,长期运行的软件系统,不可避免的会出现老化衰退现象。为了减小软件衰退带来的危害,提出了相应的软件衰退的预测、抗衰方法。目前用于软件衰退预测有两种最基本的策略：基于时间的策略和基于测量的策略。本文针对软件衰退的预测问题,提出了一种基于时间和测量即马尔科夫和神经网络结合的嵌套的预测方法。这种方法弥补了仅使用BP神经网络(基于测量的策略)进行预测时由于不能反映数据的变化趋势,所导致预测结果的不准确性,为更准确的进行软件衰退的预测提供了有力依据。本文主要进行了以下工作：(1)介绍了马尔科夫和人工神经网络基础理论,提出了一种基于放大误差信号的改进BP神经网络,并用该神经网络预测未来系统的性能参数值。(2)提出了一种软件衰退状态判定的方法,对系统性能阈值、系统状态、系统状态划分的概念进行了描述。(3)提出了一种选取软件衰退衡量指标的方法,通过比较系统性能关键参数残差均值来确定需要测量的系统性能参数种类。(4)提出了一种基于马尔科夫和改进BP神经网络的软件衰退预测模型。利用改进的BP神经网络对收集的性能数据进行学习,提出了利用黄金分割法对收集到的数据状态进行划分的方法,并依靠马尔科夫模型计算出性能数据未来的值区间,预测出性能数据的值。(5)在Linux环境下进行实验,使用Nmon工具对服务器系统性能数据进行了收集。实验结果表明,使用本文方法能更准确的预测参数数值,这为更准确的进行软件衰退预测提供了有力依据。