随着网络技术的高速发展,网络规模的扩大和应用数量的增加,使得用户对网络的服务质量保障提出了新的要求,亟需高效的路由算法对业务流的服务质量（Quality Of Service,QoS）需求进行保障。但是传统网络架构复杂,难以获取全局视图,限制了路由算法的设计和部署,无法提供理想的QoS保障。而软件定义网络（Software Defined Network,SDN）架构的提出,解耦了控制平面和数据平面,为QoS路由带来了新的思路。基于SDN架构,可以根据QoS策略在控制平面实现对应的路由算法,并通过Open Flow协议在数据平面安装对应流表。同时,机器学习算法的普及,也为SDN网络中的QoS路由优化带来了新的研究方向。本文选取ONOS（Open Network Operating System,开放网络操作系统）控制器作为研究工具,结合机器学习算法,研究为SDN网络中的业务流提供服务质量保障的路由方案。主要工作包括以下三部分:第一,设计了基于效用值和流量预测的QoS路由方案。该路由方案通过为不同类型的业务设计不同的效用函数,将路径对业务QoS的满足程度量化为效用值,并基于该效用值进行路径计算,从而保障不同类型业务的QoS需求。同时,该路由方案可以基于长短期记忆（Long Short-Term Memory,LSTM）神经网络对链路流量进行预测,并且能够根据流量预测的结果进行链路拥塞风险判断和预防。第二,设计了基于强化学习的QoS路由方案。该路由基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法,能够根据定制的QoS优化策略和从SDN网络中获取到的网络状态自发性地进行学习,并根据所学习到的知识生成路由策略,从而最大化网络综合效用。第三,在ONOS控制器中对基于效用值和流量预测的QoS路由和基于强化学习的QoS路由进行了实现,并基于Mininet搭建SDN网络仿真平台对QoS路由的功能和性能进行了测试。测试结果表明,基于效用值和流量预测的QoS路由能够有效控制网络拥塞,较好地保障不同业务的QoS需求;基于强化学习的QoS路由具有良好的收敛性,能够有效降低业务的端到端时延和丢包率。