随着低轨卫星(LEO, Low Earth Orbit)的不断发展,尤其是星上处理能力的不断提升,加上其系统本身覆盖面积广、不受地理环境因素影响、组网灵活等诸多特点,使低轨卫星通信受到了学者们的广泛关注。目前,对于高动态运行下的低轨卫星,仍没有十分有效的方法进行既快速又准确的流量预测。同时,卫星高动态性带来的时延、带宽、位置等多维度信息的实时变化,使得缺少针对链路状态进行全面描述的统一指标,造成路由的效率低下。为此,本文针对星上流量预测问题以及星间路由问题,研究了基于流量预测的卫星网络负载均衡路由算法,主要研究内容如下:1、基于小波信号分解的非线性支持向量机(SVM,Support Vector Machine)流量预测算法。针对目前卫星网络流量预测方法单一,无法兼顾效率和精度的缺点,基于小波基本理论,结合SVM快速预测的优点,深入分析了卫星信号的相似性特点,提出了基于小波信号分解的非线性SVM流量预测算法。运用小波分解,消除了信号中的噪声。再运用非线性扩展因子的量子粒子群算法对SVM进行优化,完成对分解后信号的预测和重构,实现网络整体流量的准确预测。仿真结果显示,新算法将误差指数e由原来的6.11×10-4降低至2.96×10-4,获得了更好的预测效果,为后续的负载均衡路由算法提供了很好的可靠性保障。2、时空频紧耦合的容迟信息素弥散搜寻路由算法。该算法将流量预测值作为路由决策过程中调节因子的一个保护量,防止正反馈效应的产生,提高路的有效性。同时,充分利用不同卫星业务的时域、空域及频域差异,对算法中提出的信息素进行定量描述和动态学习,使得信息素动态地反映了卫星网络中的链路状态,克服了现有算法参考量单一、算法学习能力差的缺点,解决了网络高动态和节点低处理能力带来的局部潮汐效应。通过仿真显示,对比已有的方案,算法可以在保证丢包率较低的情况下提供更大的系统吞吐量和更小的时延。在大于1Mbps的情况下时延减小6.23%,系统吞吐量在整个区间内平均提高6.85%。