从90年代初迅猛发展起来的Internet网，已经迅速改变了人们的生活和传统意义上的信息产业构架。随着网络应用和规模的不断增加，网络管理工作越来越繁重，网络故障也频频出现，这对现在的网络研究工作提出了新的任务和挑战。网络流量预测对大规模网络管理、规划、设计具有重要意义，高质量的网络流量预测越来越显得重要和迫切。支持向量机是一类新型机器学习方法，具有求解速度快、泛化能力强等特点。论文主要研究工作如下：(1)研究了网络流量数据特征，包括大时间粒度和小时间粒度网络流量特性，探讨了样本的选择及预处理问题，为流量预测模型的建立提供了依据。(2)研究了支持向量机模型选择问题，选择了适当的核函数。核函数的选择是构造支持向量机的关键，通过研究四类主要核函数及其主要特性，选择了RBF核函数。(3)探讨了支持向量机参数选择问题，通过实验总结了一些规律。由于最小二乘支持向量机具有较快的求解速度，所以给交叉验证法的使用带来了方便。本文采用交叉验证法进行参数的选取，实验表明达到了满意的效果。(4)探讨了支持向量机与神经网络在理论基础、方法特点、模型结构上的异同。通过仿真实验，发现支持向量机与神经网络相比较具有全局最优、泛化能力强、训练时间短、使用简单等特点。