随着5G时代移动流量的迅猛增长以及多样化业务的快速融合,光网络的发展面临着从传输控制层面到资源优化层面的诸多挑战。在传输控制层面,光网络需要进行动态重配置实现高效的按需分配。在资源优化层面,为了缓解用户流量的承载压力,前传光网络需要灵活的功能分割方式实现面向业务的基带功能部署。由于用户流量的时变性,业务基带功能链的部署需要不断调整以保障资源利用率和服务质量。光传输趋于动态化、基带功能部署的复杂化、以及外界环境的不可控等因素都导致传统以人工经验为主导的网络资源调配方式难以为继,必须引入新的自动化,智能化的运维机制。机器学习,通过模仿人的学习方式,从数据中获取知识不断进行策略提升的能力与当前光网络需要引入智能化的运维机制相适应。因此,本文基于机器学习从“数据挖掘”,“决策推理”以及“用户感知”角度,探索精准的光链路传输质量（QoT）预测方法与高效的资源优化技术,进而逐步推进光网络的智能化。本论文的主要内容和创新点如下:（1）提出一种基于神经网络的多信道传输质量预测模型。针对光网络进行重配置时新建信道和已有信道QoT的预测问题,本文提出了一种基于神经网络（ANN）的多信道Q因子（Q-factor）回归模型。该模型考虑光网络系统配置状态,链路参数,光器件实时参数,光谱信息等因素对信道QoT的影响,通过收集真实传输场景下的数据构建基于ANN的多信道Q-factor预测模型。与传统的物理分析模型相比,本文所提模型能兼顾预测的精确度和速度。实验结果表明,基于ANN的Q-factor回归模型能同时准确的预测系统所有信道的Q-factor,其在测试集上的平均绝对误差（MAE）小于0.1 dB。这种全面精准的QoT预测方法能帮助动态光网络实时监控信道的传输状态,提升网络重配置的效率和稳定性。（2）提出一种基于深度强化学习的基带功能部署和路由策略。针对5G前传光网络带宽承载压力剧增的问题,本文提出了一种基于深度强化学习（DRL）的基带功能部署和路由策略。该策略通过收集智能体与网络环境的交互信息,基于神经网络拟合出能真实反映不同部署决策的价值函数,Q函数,进而根据神经网络的价值函数选择合适的基带功能部署和路由策略。仿真结果表明,在集中式无线接入网（C-RAN）和下一代无线接入网（NG-RAN）的两种基带功能分割方案下,基于DRL的基带功能部署和路由策略性能都优于传统启发式算法-首次适应算法,趋同于整数线性规划（ILP）的最优解。与ILP模型仅适用于静态业务场景不同,基于DRL的基带功能部署策略在动态业务场景下也取得了极佳的性能。这为动态业务场景下的网络资源优化提供了新的技术路线。（3）提出一种基于流量预测的基带功能部署与迁移策略。针对移动流量的时变性导致基带功能部署策略资源利用率下降及用户服务中断的问题,提出了基于流量预测的基带功能部署与迁移策略。所提策略在保障基带资源利用率的同时尽量减小因基带功能迁移导致的服务中断次数。与传统优化策略仅仅考虑网络固有资源不同,本文所提策略通过收集运营商的历史流量数据,基于长短记忆网络（LSTM）构建了精确的时序流量预测模型,进而根据未来时间段的流量预测和网络可用资源联合优化基带功能部署。仿真结果表明:本文所提策略能在保持较高资源利用率的同时有效减少用户的迁移次数。这种“先预测再部署”的资源优化策略能更加主动的应对流量变化对网络造成的影响。