随着网络技术的演进与发展，无论是卫星通信系统还是地面网络都面临着资源量有限、用户业务需求量增多、需求种类多样化的问题。如何快速高效地解决调度、分配与部署资源显得尤为重要。良好的调度方案能够最大程度地利用资源来满足用户需求，经济高效地达到目标。
　　针对资源调度问题，多卫星测控资源调度是目前卫星网络面临的主要问题之一。测控资源调度问题是指测控任务是否能在可见时间窗口内被测控设备所调度，最终实现测控需求最大化的调度目标。传统的多资源联合调度算法存在着求解时间长、效率低、计算成本高、系统描述简单等方面的不足。深度神经网络(Deep Neural Network ， DNN)算法提供了解决这些问题的新思路，但是由于数据之间具有很强的相关性和约束性，很难简单地将测控调度问题适用于DNN算法之中。本文通过离散化数据，把多个约束和相关属性转换为不同的标记位，将部分数据以二进制编码的形式来反映数据之间的约束关系，由此能够使用DNN算法解决测控资源调度预测问题，从而提高了测控资源利用和自动化的效率。仿真结果验证了所提模型的有效性。
　　对于资源映射问题，随着网络业务需求种类的不断增加，网络虚拟化技术应运而生。通过虚拟链路互联的一组提供特定顺序的虚拟网络功能称为服务功能链(Service Function Chains ， SFC)。如何对SFC在物理网络中进行映射成为另一重要研究热点。当SFC请求到达时，由于某些功能节点周围的链路资源不足，可能会导致这些节点无法映射，成为资源碎片。本文考虑到延迟代价、资源碎片、链路资源利用率与链路利用率阈值之间的关系，设计了针对离线与在线场景的两种启发式算法。通过对比实验，发现两种启发式算法在负载均衡程度、SFC部署成功率与节点剩余资源率等方面都具有较大的优势。