随着目前互联网中生成的数据的迅速增加,使用服务器集群系统进行数据存储和请求分配已经是日益普遍的现象。而随之引来的是集群系统中的负载均衡问题,由于用户访问不同节点的频率不同,频率高的节点会导致无限长的请求队列,频率低的节点浪费资源。本文的主要内容就是针对负载不均衡的问题做出研究:首先本文构建基于LSTM（Long Short-Term Memory）神经网络的时间序列预测模型,针对该模型面对网络流量的突然爆发预测精度不足的问题,提出一种基于C-L（Convolutional Neural Networks-Long Short-Term Memory）神经网络的时间序列预测模型。在该模型中,首先使用一维卷积神经网络提取时间关联性特征,经过训练得到流量的爆发特征,将爆发特征与数据集融合后,使用LSTM预测模型去进行数据预测。使用维基百科点击量数据集的仿真实验表明,基于C-L神经网络的时间序列预测模型在面对网络流量突然爆发的情况有较好表现,该模型预测精度高于传统的均值法以及LSTM模型的预测值。其次,本文针对目前典型的算法轮询法,加权轮询法以及平滑加权轮询法,在负载均衡方面的局限性,提出一种CLDC（Convolutional Neural Networks-Long Short-Term Memory Dynamic Cycle）负载均衡算法,将负载影响向量引入到请求分配的考虑条件中去,将服务器当前的CPU利用率,磁盘I/O利用率,内存利用率以及网络带宽作为负载影响向量。该算法周期内去获取每个服务器的负载影响向量,并为每台服务器设置负载权值,根据基于C-L神经网络的时间序列预测模型的预测并发量与服务器集群理想并发量去动态调整周期,使周期随负载的变化而变化。使用维基百科点击量数据集的仿真实验表明,使用CLDC负载均衡算法的请求响应时间以及网络吞吐率优于加权轮询法以及基于负载向量的轮询法。