未来通信业务需要实现地球表面全覆盖。然而,地面网络在技术上无法覆盖偏远地区和极端地形,因此,混合卫星地面网络具有更高的可靠性和覆盖范围,已经成为实现全球互联互通的解决方案。然而,卫星地面网络存在带宽稀缺和不可避免的延迟。同时,网络流量呈现爆发式增长,为了让用户能够更快地在卫星网络中找到感兴趣的内容,网内缓存是必不可少的。内容中心网络（Content-Centric Networking,CCN）作为一种新颖的网络架构,能够满足如今对内容访问和交付的需求。因此,在未来的无线通信中,卫星集成内容中心网络（Satellite-integrated Content Centric Networking,SCCN）将会是一个有希望的候选解决方案。然而,网络文件流行度随着时间和地域等因素不断变化,导致卫星节点无法实时缓存最流行的文件,导致缓存效率低。同时,卫星沿轨道高速运动,星间链路频繁通断,导致CCN请求失败率高。因此,为了解决上述问题,对SCCN进行研究,提出了一种基于深度学习的文件流行度感知（Deep Learning-enabled File Popularity-aware,DLFP）的缓存替换策略,以在SCCN中实现有效的文件分发。针对文件流行度预测问题,提出了一个适用于SCCN的深度学习框架,称为Deep SCCN,能够根据文件早期的请求过程预测出最终的流行度。Deep SCCN对文件的完整请求路径进行建模,使用循环神经网络对输入的路径信息进行训练,得到卫星网络中真正影响流行度的特征,对文件未来流行度进行最大程度地准确预测。仿真结果表明在不同流行度分布的情况下,所提出的Deep SCCN框架的预测结果相对于经典的基于特征的流行度预测模型更加准确。针对SCCN网络拓扑变化的问题,提出了虚拟位置划分（Virtual Location Division,VLD）机制,通过将网络的时变拓扑重新映射到具有虚拟节点的静态拓扑中,来保持内容数据包的返回路径不变。同时,为了使CCN能够适用于VLD机制,对待定兴趣表（Pending Interest Table,PIT）和转发信息库（Forwarding Information Base,FIB）进行了改进,并提出了SCCN的基本路由机制以保证网络的正常运行。除此之外,最后还提出了一种最小延迟文件缓存集（Minimum Delay File-caching Set,MDFS）算法,结合深度学习的预测结果,能够使SCCN中节点实时缓存流行度最高的文件集合。实验结果表明,与现有的几种缓存替换策略相比,该方法可以明显降低用户的平均访问时延。