基于测量的软件抗衰策略定期地监测和收集系统资源的使用情况，预测和评估软件老化的速度、时间、可能性以及恢复代价等，进而确定恢复策略是否以及何时执行。 本文围绕基于测量的软件抗衰策略，结合小波分析和神经网络方法对定期监测和收集到的系统性能参数进行分析，预测资源消耗和软件衰退的趋势。 对于数据预处理，本文研究了基于小波的数据降噪方法，对阈值降噪函数进行了改进，其中阈值的选取采用了基于梯度的自适应学习算法，实验表明该降噪方法具有较好的降噪性能，在去除噪声的同时保证了重构信号的精度。 对预处理后的数据进行预测，本文首先采用小波分解算法，将数据分解到各个尺度层次，然后构建了BP神经网络对各个尺度系数分别进行预测，最后将系数重构成预测结果。BP网络的学习采用了LM学习算法。本文对激励函数以及隐节点数调整算法分别进行了改进。同时又针对数据的全部小波系数讨论了另一种直接预测的方法。实验表明两种方法较为快速、有效，预测效果均比较理想，满足预测要求。