下一代移动互联网需要满足各种不同应用场景需求与关键性能指标,难以用同一张网络支持所有需求。因此,需在通用的开放式网络架构下,利用软件定义网络(Software Defined Network,SDN)、网络功能虚拟化(Network Function Virtualization,NFV)、网络切片(Network Slicing,NS)等技术,构建定制化的专属虚拟子网,满足特定网络业务的需求。在网络切片技术实例化的过程中,网络业务的识别问题是实现面向业务类型建立切片的基础,需首先解决。由于网络规模的扩大,传统的数学工具在解决这一问题中遇到了前所未有的障碍。而随着机器学习的发展,可利用其算法较为准确的实现业务的识别,因此基于机器学习的网络切片技术值得研究。同时,网络资源分配也是保证用户体验的决定性因素之一,在进行资源分配时如何保证质量体验(Quality of Experience,QoE)的同时提高谱效有待研究。针对上述的两个问题,本文进行了如下研究:(1)本文研究了一种基于神经网络的网络业务识别方法,并给出了基于机器学习的网络切片设计方案。针对网络业务识别问题,设计了基于神经网络的网络业务识别方案,给出神经网络参数确定原则与方法。然后,针对SDN网络环境,设计一种滑动时间窗的方法进行网络信息采集,并且结合业务服务器的日志文件完成样本标注。最后,采用软硬件结合的方式搭建了基于SDN/NFV的网络切片原型平台,在SDN实验网上基于滑动时间窗构建了数据集。分别基于实验网的数据集以及公开的Moore数据集验证了所设计的基于神经网络的业务识别方案的可行性,同时也证明了基于SDN实验网采集的数据集训练的神经网络模型在应用时的泛化能力更强。随后,基于实验网的业务类型识别结果,进行了定制化网络切片的实验。(2)为了进一步保证切片服务的性能,本文研究了一种基于强化学习的网络资源分配算法。该算法将业务类型以及每种业务的下行数据量作为Q学习的状态集,资源分配方案作为Q学习的动作,综合考虑谱效和QoE定义了Q学习的价值函数,利用贝尔曼方程递推回报求解。Q学习考虑了未来的网络状态对现在决策的影响,因此随着学习次数的增加,算法效率得到有效提升。最后针对三种业务进行网络带宽资源分配的仿真实验,结果表明,本文所研究的基于强化学习的资源分配算法可以在满足多业务QoE需求的基础上,提高网络谱效。