随着网络规模的不断扩大，掌握网络的运行状况以便及时采取相应措施实现网络QoS控制，成为网络管理者的需要。符合网络流量复杂统计特性的模型，能够帮助对网络流量进行精确的分析和仿真，有助于网络的设计和控制。网络流量测量与预测，作为有效实施QoS控制的基础，受到越来越多研究人员的重视。网络流量具有自相似性、周期性、混沌性和突发性等特性，为了能更准确的预测网络流量以便更有效的管理和控制网络运行，文中将神经网络理论和小波理论引入到网络流量预测中，通过对前向网络的学习，确定BP神经网络的结构和参数，并通过将前向网络隐含层的传递函数用小波函数代替的方法来给出混合网络流量模型，即小波神经网络模型，并指出运用混合模型对网络流量在进行预测可以拟合多个模型的特点，取得较好的预测效果。本文以西安邮电大学的校园网为研究平台，通过对实际流量数据的采集证实了我校校园网的流量信息确实存在自相似性。文中构建了BP神经网络模型、松散型小波神经网络模型和融合型小波神经网络模型对实际采集的流量信息进行了预测。通过对试验结果的分析得出三种模型都能较好的预测我校校园网未来一段时间的流量信息，并通过对实验数据的比较，得出小波神经网络模型预测效果要好于单一的BP神经网络模型，而融合型小波神经网络又要比松散型的小波神经网络的效果要好。