随着网络规模的日益庞大和复杂，网络带宽急剧增加，基于网络的互联网服务呈现多样化的发展，这使得互联网的运行机制和行为特征错综复杂，因此，加强网络管理，对网络QoS进行实时的控制和管理成为一个函待解决的问题。然而，实现网络QoS控制需要及时了解和预测网络的运行状况，以便对网络的运行进行控制，这就需要进行网络流量预测。网络流量的精确预测对于提高网络的服务效率和质量及网络安全有着非常重要的意义。本文针对网络流量预测模型进行了相关研究。论文首先介绍了网络流量的相关特征及对当前网络流量预测模型进行了简单阐述。然后分别对小波变换理论、BP神经网络和遗传算法理论进行了介绍。小波变换理论和BP神经网络构成了小波神经网络，在分析小波神经网络和遗传算法理论的基础上，针对小波神经网络存在收敛速度慢和易陷入局部最优等缺点，将遗传算法引入小波神经网络。采用具有良好全局搜索能力的遗传算法来优化神经网络的权值和阈值，建立了基于遗传算法和小波神经网络的网络流量预测模型。该模型采用小波分解技术把网络流量数据时间序列分解为小波系数和尺度系数，即低频系数和高频系数，将不同频率部分的系数分别单支重构为低频流量分量和高频流量分量，然后用遗传算法优化过的BP神经网络训练后进行预测，得到不同频率部分的预测分量，最后，将它们的合成作为对原始网络流量的预测结果，同时与现有的小波神经网络模型的预测性能进行比较分析。在上述理论分析的基础上，对选定的网络流量数据进行仿真预测实验。实验结果表明本文提出的新的预测模型能够提高小波神经网络的预测精度，同时加快神经网络的收敛速度，是一种有效的预测模型。