随着云计算、物联网、面向服务架构等技术的蓬勃发展,互联网上聚集了越来越多可以公开访问的Web服务资源,也不可避免地催生了同质化服务之间的相互竞争。如何从服务质量（Quality of Service,QoS）刻面出发,利用协同智能预测未知的QoS值,从而有效地为用户推荐合适的服务资源成为重要的研究课题。考虑到现有服务质量协同预测研究中忽视了对网络拓扑的挖掘利用,限制了预测精度。本文聚焦拓扑感知的服务质量预测研究,以深度学习和强化学习等技术为建模基础,针对静态QoS预测和动态QoS预测两种应用场景,设计了不同的高效预测模型。针对静态QoS预测,首次尝试在预测服务质量时充分考虑因特网拓扑结构,提出一种基于高精度拓扑感知的QoS预测模型-TAN。TAN模型将用户、服务及路由各中间节点特征投影至共享的潜在变量空间作为输入特征,并通过显式路径建模和隐式端到端交互建模共同表征服务调用过程,从而实现对用户与服务之间关联模式的充分捕捉。进一步地,TAN利用门控网络将上述路径特征和端到端特征进行融合并送入预测层,最终实现对未知QoS值的预测。基于两个真实数据集的实验结果表明,TAN在响应时间、吞吐量和可靠性预测任务上均显著优于其它先进模型。此外,TAN展现出了进一步借助旁侧信息的可扩展性。针对动态QoS预测,考虑到QoS波动与动态路由之间的复杂关联,提出了面向动态QoS预测的智能路由估计模型-IRE4DQP。IRE4DQP将智能路由估计过程建模为马尔科夫决策过程,并借助图注意力网络的表示学习,通过不断地直接策略更新以学习与QoS值相匹配的最佳路由策略;此外,受逆向强化学习启发,IRE4DQP利用深度模型基于所得路由进行QoS预测,并将预测误差作为代价函数进一步优化路由估计策略。通过上述方式,IRE4DQP实现了路由估计任务和动态QoS预测任务的有效联结,基于REINFORCE算法和最大熵逆强化算法的嵌套优化过程也最终使得IRE4DQP模型能够面向QoS值进行路由的动态估计并进一步完成高精度动态QoS预测。