目前,随着互联网和移动通信的快速发展,产生了许多新型业务,同时网络数据流量也在经历着爆发式的增长。在有限的带宽资源下,如何为各种新型业务提供服务质量（Quality of Service,QoS）保障仍然是需要解决的问题。传统的网络架构由于功能耦合而无法满足不同服务对QoS的需求。软件定义网络（Software Defined Network,SDN）技术是一种新型网络架构,能够将设备的控制平面转发平面实现分离,在控制平面能够快速收集网络信息,做出路由决策下发给转发平面。近几年,机器学习技术的快速发展也在路由优化上引起了广泛的研究。利用机器学习能够发现到网络流量特征和路由策略之间的关系,可以让机器学习代替路由表来根据网络的变化进行快速的路由转发。本文主要在SDN架构和机器学习的方法下,以降低端到端时延为核心,来进行路由优化,保障业务的QoS。相比传统网络的控制转发耦合,SDN将网络设备的控制层和转发层分离,控制层集中实现,解决了传统网络架构的不足。本文在现有算法的基础上提出了一种基于SDN的具有最小时延约束条件的路由算法。该算法将端到端的平均时延作为路由的评价标准,通过SDN收集网络中所有链路的状态信息,匹配每条业务流,为每条业务流计算出最短时延路径,满足业务流的QoS需求。与现有的路由算法相比,该算法基于业务流进行路由,能够匹配SDN技术中的OpenFlow流表,选择平均时延作为选路标准,保障每条业务流的端到端平均时延最小并满足每条业务流对QoS的要求。本文为了验证上述QoS路由算法的端到端时延性能,提出了一种基于拓扑发现的端到端时延主动测量方法。本文利用Internet控制报文协议（Internet Control Message Protocol,ICMP）包探测原理,发现数据包通过的节点,将数据包每次经过的节点时间记录在时间戳中,用于计算每个链路上的时延。然后本文构建网络拓扑和路由矩阵,依据路由矩阵和计算出的各链路时延,推导出端到端时延矩阵,验证端到端的时延性能。最后,本文在SDN和机器学习的基础上,设计了端到端QoS保障系统,将机器学习模型和时延测量方法整合到系统中。首先我们通过QoS路由算法产生所需的训练数据,使用监督学习来训练机器学习模型,机器学习模型训练完后可以直接用于路由转发。然后在SDN的基础上获取网络中的链路状态信息和业务流量特征,用于机器学习模型的输入来进行路由优化。最后,用文中提出的端到端时延测量方法能够验证端到端时延的性能。