随着互联网的不断发展,视频网站拥有巨大的用户访问数量能够给服务提供商带来可观的收益,向用户推荐流行度尽可能高的视频可以吸引更多用户的关注;同时为了缓解核心网络的流量负载,降低用户获取视频的时延,制定以视频流行度为缓存替换策略的算法可以增加缓存的命中率,提升用户的服务体验质量。因此,视频流行度的预测问题成为了一个急需解决的问题。本文针对传统的视频流行度预测算法在中长期预测中存在预测精度低、自适应性弱等缺点展开研究,论文主要的工作和创新点如下:（1）针对线性回归模型预测精度低,传统神经网络虽然具有较好的非线性映射能力,但在深层次网络训练时容易出现训练参数灾难、梯度爆炸等问题,本文提出融合特征分析的深度LSTM视频流行度预测算法（D-LSTM）。D-LSTM通过在RNN循环神经网络结构中融入具有控制门机制的LSTM单元构建深度LSTM神经网络模型,可以选择性地对信息进行记忆,有效解决了训练过程中出现梯度爆炸等问题;同时结合Scrapy技术对影响视频流行度的因素进行特征分析,为网络模型提供多层次的训练特征,有效提高了模型的学习能力。通过实验证明,D-LSTM算法在预测损失上较ES、GM、ML及ARMA等传统预测模型分别下降了77%、37%、43%和48%,较BP神经网络下降了12%。（2）针对D-LSTM算法只能在一个方向上学习到流行度序列的时间依赖信息,并为进一步提高算法的预测精度,本文提出基于马尔可夫优化的深度双向LSTM视频流行度预测算法（Mar-DBi LSTM）。Mar-DBi LSTM通过对深度LSTM模型进行改进,构建具有双向隐藏层机制的深度双向LSTM（DBi LSTM）网络模型,可以在两个时间方向上学习到流行度序列的信息依赖;同时结合马尔可夫过程对DBi LSTM模型的预测结果进行优化,在避免引入外部变量导致模型复杂度增加的情况下进一步提高了模型的预测效果。实验结果证明,Mar-DBi LSTM算法在预测损失上较D-LSTM与DBi LSTM分别下降了32%和29%。最后,为了验证本文所提算法的在真实场景下的实用性,对最近热播的10部不同类型的电视剧进行排名预测。实验结果表明,该算法在电视剧排名预测中具有很好的效果。