网络拥塞是在网络中传输数据包数量过多时,由于转发节点等资源的限制而引起的数据传输速率及传输性能下降的现象,其本质是网络本身的处理能力无法满足用户对网络资源的需求。为了增加网络资源的利用效率,提高网络传输速率,增加用户网络使用的幸福度,设计出性能更好的网络拥塞控制算法是计算机网络方向的热点研究课题。本文针对人工设计拥塞控制算法较为繁琐,人工设计算法的速度无法跟上网络环境的变化速度等问题;将网络拥塞控制问题转化为机器学习问题,使用机器学习中学习方法替代人工设计,提高了开发拥塞控制算法的效率。首先,本文首先将网络拥塞控制问题转化为机器学习分类问题提出了MLCC算法。MLCC算法以传统算法作为“教师”收集得到数据集,后通过使用分类器模型学习隐藏在数据集中映射规则完美的复现了传统的网络拥塞控制算法。实验证明MLCC算法在吞吐量,公平性,拥塞控制曲线调整等方面与传统拥塞控制算法基本相同,验证了MLCC算法的有效性。将网络拥塞控制问题转化为机器学习分类问题后,通过对收集得到的数据集中特征和标签的对应关系分析后得到新的拥塞控制算法的建立可以转换为数据集中新的映射关系的建立。基于上述分析,本文提出使用半监督聚类算法来创造新的映射关系即提出了新的拥塞控制算法SLCC。从实验结果可知,SLCC算法与传统拥塞控制算法在吞吐量性能上平均提高了3%到4%,协议内公平性和TCP公平性等方面也有十分不错的提升。在深度分析拥塞控制算法和数据集中的映射关系后,本文提出了使用强化学习的方法来创造新的网络拥塞控制算法,提出了QLCC算法。不同于SLCC算法,QLCC算法将网络拥塞控制过程描述为马尔可夫决策过程,使用Q-learning算法设计开发出了新的网络拥塞控制算法,实验表明QLCC算法不仅能在丢包率较高的网络环境下仍然能保持较高的数据传输速率,而且其公平性和吞吐量比CUBIC和New Reno算法都有较大的提升。