近年来,随着互联网基础设施的逐渐完善与云服务的快速发展,各大企业和组织都推出了大量的网络服务,网络服务在应用场景和数量上都正在以极快的速度增加。网络服务的蓬勃发展也引入了新的问题,如何在大量同质化的网络服务中选择出最适合特定用户的网络服务这一问题逐渐凸显,网络服务的质量预测逐渐成为国内外学者的研究焦点。现有的各类网络服务质量预测算法主要使用贝叶斯算法、聚类算法、协同过滤算法、矩阵分解算法和编解码模型等方法,这几类算法具有诸如难以适应大量稀疏数据集、只适用于点对点网络服务的质量预测、无法兼顾低维和高维网络服务质量信息等问题。随着深度学习相关技术的快速发展,xDeepFM模型作为一种优秀的深度神经网络模型,因其无需手动进行特征组合、适用于稀疏数据集、兼顾高低维信息等多种优秀特性在多种预测问题中被大量使用,然而其在网络服务质量预测这一特定应用场景中仍存在缺陷。首先,其随机初始化的特征嵌入方法会在嵌入层损失掉大量的用户与服务信息;其次,其用于学习高维信息的压缩交互神经网络模块使用了一种简单的求和池化技术,导致其高维信息提取能力较差;最后,其用于学习低维信息的深度神经网络模块单纯使用了数层全连接神经层,其结构过于简单,导致其低维信息学习能力较差。因此对一种能较好地解决上述问题的网络服务质量预测算法的需求呼之欲出。针对上述问题,本文提出了基于改进xDeepFM模型的网络服务质量预测算法,并设计实现了基于改进xDeepFM模型的网络服务质量预测子系统,该系统能够高效、准确的实现网络服务质量预测功能。本文研究工作具体如下:（1）提出了基于改进xDeepFM模型的网络服务质量预测算法。首先,针对用户和网络服务质量数据在进行特征嵌入时自相关信息易于损失的问题,本文提出并使用了一种基于字符编码和卷积神经网络的特征嵌入方法,此方法能更好的对原始数据中的相关信息进行特征嵌入。其次,针对高维信息提取能力较差的问题,本文对压缩交互神经网络模块的池化层进行了改进,提出了 一种能更好提取出高维信息的自适应池化方法。然后,针对低维信息学习能力较差的问题,本文在深度神经网络模块中引入了注意力思想,提出了一种基于注意力机制和神经网络的低维网络服务质量信息学习模型,提升了模型对低维信息的学习能力。最后,我们对本文所设计的算法进行了仿真实验,与传统网络服务质量预测算法相比,本文所提出算法在平均绝对误差和均方根误差等指标上均有可观的提升。（2）针对用户对数据预处理、数据操作、网络服务质量预测和网络服务推荐等功能的实际应用需求,本文基于React和Spring Boot框架设计并实现了基于改进xDeepFM模型的网络服务质量预测子系统。本文详细描述了网络服务质量预测子系统的需求分析、系统架构和系统各模块处理流程,设计并实现了数据预处理、数据操作、网络服务质量预测和网络服务推荐等模块功能,最后我们从功能和性能两方面对系统进行了详细的测试。测试结果表示,本文所设计的网络服务质量预测子系统能够准确高效的进行网络服务质量数据预处理、数据操作、网络服务质量预测和网络服务推荐等操作,满足网络服务质量预测子系统的功能和性能需求。