在基站中部署缓存可以有效降低视频的传输时延和避免回程链路拥塞。然而,基站的缓存容量较小,不可能把所有的视频都缓存在基站中,缓存流行的视频是解决这一问题的有效方法。因此,如何设计高效的流行度预测算法来预测视频的流行度、如何制定有效的协作缓存策略是基站缓存技术需要解决的关键问题。本文主要研究了移动网络中的视频流行度预测和协作缓存策略。首先采用基于深度学习的方法预测视频的流行度,提出了融合内容特征和时间过程的视频流行度预测模型;然后对视频流行度进行排序,进一步设计了一种基于传输时延的协作缓存策略。主要工作如下:（1）研究了基于深度学习的流行度预测模型,提出了一种融合内容特征和时间过程的深度注意力视频流行度预测模型（DAFCT）。首先构建基于注意力机制的长短期记忆网络（Attention-LSTM）捕捉视频流行度的增长趋势。对于高维的多模态内容特征,采用嵌入技术降维,并将内容特征的嵌入向量输入到二阶交互池中进行特征组合。然后采用concatenate方法融合流行趋势和内容特征,并使用多层感知机学习融合的特征以预测视频的流行度,提出了融合内容特征和时间过程的深度注意力视频流行度预测模型（DAFCT）。最后设计了深度注意力视频流行度预测（DAVPP）算法,用于验证DAFCT模型的有效性。实验表明,与Attention-LSTM和NFM模型相比,召回率提高了10.82%和3.31%;F1分数提高了9.80%和3.07%。（2）研究了协作缓存策略（HCP）,提出了一种基于传输时延的协作缓存策略（CCSTD）。HCP是假设视频的流行度已知的情况下制定的协作缓存策略,存在局限性。为了进一步提高用户的体验,首先采用HCP策略中的流行度排序方法对DAVPP算法预测的视频按照流行度的大小从高到低排序。然后把已排序的视频分配到基站缓存中,提出了CCSTD策略,并分析了用户检索视频的延迟,在此基础之上设计了CCTDA算法验证CCSTD策略的有效性。最后对HCP、CCTDA算法进行仿真实验。实验结果表明,CCTDA算法的传输延迟低于HCP算法,且缓存命中率高于HCP算法。