一直以来，IP网络的规划与建设基本上是参照平均统计的经验模型，在充分考虑业务发展需要的同时预留一定的余量。由于没有理论上的指导，网络容量与带宽往往超过实际的需要。过去十余年的大量研究和探索表明，局域网及广域网中的网络流量呈现出复杂的分形特性。从时间尺度的视角，可划分为大时间尺度上的自相似性（即单分形）和小时间尺度上的多重分形特性。网络流量在不同时间尺度所呈现的复杂分形特性会给网络性能带来显著的影响，因此，研究能准确和全面地刻画网络流量过程在小时间尺度上的复杂奇异性特征和大时间尺度上的自相似性特征的流量模型，进而能在此模型上研究流量预测和分析网络性能，对于网络流量工程具有极其重要的意义。　　 论文首先介绍了自相似模型中的重尾ON/OFF模型，分析了在ON态和OFF态分别服从指数或重尾Pareto分布的条件下，该模型的Hurst系数与分布参数的关系，并通过仿真数据验证了相关结论。另外，论文结合Harris等人提出的TAM和K.Laevens推导的ON/OFF源的功率谱密度计算公式，提出了求解重尾ON/OFF源的近似功率谱密度的方法，MATLAB仿真结果得到了较满意的结果。　　 论文接下来对重尾ON/OFF模型进行了M/P/1的排队性能分析，得到队列溢出概率的迭代算法，仿真结果表明，随着缓冲区长度的增加，溢出概率并不是按传统Markov模型得到的指数规律下降，其下降速度慢于传统模型。在OPNET仿真环境下，分析了重尾ON/OFF模型对IP网络区分服务的排队性能的影响，结论对未来网络的QoS规划有一定的参考价值。　　 另外，本文还提出了一种改进的随机早检测（RED）算法--Hurst加权RED（HWRED），解决了传统RED算法基于泊松业务流，不能有效适应网络自相似流的特性，使队列长度出现振荡，增大排队时延的缺点。该算法能够在保持高的吞吐率的基础上，使队列更趋于稳定，减少路由器的丢包，缩短数据包的排队时延和时延抖动，从而减小网络延时。　　 最后一章首先对真实的网络流量进行了多重分形特性的分析，然后介绍传统多重分形小波模型的构建过程，指出了它的缺陷。在分析实际网络的小波系数和乘性系数的分布的基础上，提出了参数可调的ASC-MWM模型。该模型的改进之处在于它能够根据实际流量的小波参数和乘性系数分布动态地调整模型参数，更好的适应实际网络流量的特性。论文对新模型的仿真流进行了尺度函数、多重分形谱的分析，结果证明了新模型的准确性。最后，论文分析了一个单队列无限缓冲的队列系统，它具有固定的服务速率，推导了在多重分型模型输入下，该队列模型的溢出概率。并通过真实数据流的仿真分析，说明该方法的有效性和准确性。