随着计算机网络带宽的迅速增加以及各种网络服务的广泛应用,社会生活对于网络流量需求越来越大。由于网络规模不断扩张且管理日益复杂,导致网络维护任务艰巨,因此网络流量预测问题日益重要并受到广泛关注。精准预判网络流量的变化趋势,可以帮助运营商准确预测网络的使用情况,合理分配并高效利用网络资源,以满足用户日益增长和多样化的需求。将自适应滤波理论应用于网络流量的建模和预测,可以有效解决预测模型无法实时自适应更新的问题。基于核方法的非线性自适应滤波算法在处理网络流量预测问题时具有非线性、计算复杂度低、跟踪时变能力强等优点。目前多种具有强大非线性建模能力的核自适应滤波算法被相继提出,其中核最小均方算法由于严谨的泛函理论基础做支撑,具有实现较为简单、鲁棒性强、中等计算复杂度等优点,被广泛研究和应用。本文以核最小均方算法为基础研究了该算法的两种改进方法,即:近似的高斯多核最小均方（Multikernel Least Mean Square,MKLMS）算法和高斯核符号误差（Kernel Sign Error,KSEA）算法及其误差理论分析问题,并将以上两种改进算法应用于网络流量建模与预测。本文的主要研究工作概括如下:（1）针对多核方法比单核方法具有更大的自由度和灵活性以及更好的性能,同时随机特征方法维度可控且计算复杂度更低的优点,因此基于高斯多核最小均方MKLMS算法,提出随机傅立叶特征多核最小均方（Random Fourier Features MKLMS,RFF-MKLMS）算法。并在均值和均方意义下推导了RFF-MKLMS算法的误差收敛分析模型,研究了无在线字典约束下RFF-MKLMS算法的误差收敛理论性能。通过数值仿真实验验证了所提算法和理论分析模型的正确性和有效性。（2）根据随机游走模型构造了一个新的基于核的时变非线性系统,并考虑在非高斯脉冲噪声干扰下,分析推导了高斯核符号误差KSEA算法的稳态跟踪性能。此外,针对高斯核符号误差KSEA算法推导得到了最优步长参数以及由此产生的最小超量均方误差。数值仿真实验结果不仅验证了所推导理论分析模型的准确性和有效性,而且详细地展示了高斯核KSEA算法的稳态跟踪特性。（3）分别针对不同情况将RFF-MKLMS算法和KSEA算法应用于网络流量时间序列预测,并将对高斯核自适应滤波算法的误差理论分析模型应用于指导网络流量的实际预测。提出基于网络流量自适应预测框架以及基于高斯核自适应滤波算法的网络流量预测步骤,分别针对不同情况将RFF-MKLMS算法和KSEA算法应用于网络流量时间序列预测,并将对高斯核自适应滤波算法的误差理论分析模型应用于指导网络流量的实际预测。对网络流量预测的评估选用信号误差比率和相对均方误差作为评价指标,而且还将基于RFF-MKLMS算法和KSEA算法的网络流量时间序列预测效果同人工神经网络预测方法进行对比。实验结果表明,RFF-MKLMS算法和KSEA算法分别对于不同类型的网络流量时间序列预测效果良好,而且使用所推得的误差理论分析模型指导流量预测更加精准、可靠。