由于互联网相关技术和移动通信的迅猛发展,互联网已经进入了人类生活的方方面面,在各个领域都有着广泛的应用,给我们的生活带来了巨大的便利。然而,随着网络的快速发展,很多问题也暴露在我们的面前,一方面,由各类移动设备所带来的网络流量随时间的变化,呈现出一定的变化规律,故在网络流量负载较低时,我们需要采取更为科学的网络资源分配策略以减少不必要的能源消耗,这就需要我们能够对网络流量的趋势进行准确的预测。另一方面,大量的用户流量接入也会导致网络安全问题,对于网络异常流量的检测则是维护网络安全,保护广大网民利益的重要途径之一。网络异常流量检测主要是通过分析流量包中存在的各类信息,提取其中的有效特征,通过算法模型进行判别,从而应用不同类型的网络攻击的应对策略。本文通过深度学习技术,对网络异常流量检测和网络流量预测领域进行研究。本文的主要工作内容如下:针对网络流量数据的隐私问题和分布式算法的总体性能不佳的问题,本文提出了一种基于加权联邦学习的网络异常流量检测和流量预测算法,通过对不同客户端的模型进行评估,生成各个模型的融合权重,再对各个客户端的模型参数进行加权融合,聚合成中心服务器模型。在网络异常流量检测数据集和流量预测数据集上对比联邦学习算法取得了 2%以上的准确率提升,同时也缓解了过拟合对模型性能的影响。针对网络异常流量数据量大,标注的人工成本高,过于依赖专家经验等问题,本文提出了一种基于自监督学习的网络异常流量检测算法,通过额外的自监督学习任务获取对异常流量数据的有效表征,再通过表征迁移的方式进行异常流量检测,在CICIDS2017数据集上取得了与有监督方法可比的效果,对比有监督方法只有1%的准确率损失。针对网络流量预测对时间维度的关注度不足的问题,本文提出了一种基于注意力的多尺度流量预测技术,通过对不同时间维度上的流量序列进行分析,设计合适的损失函数约束模型的训练,得到了更为精确的流量预测模型。在中国移动提供的网络流量预测数据集上对比现有的多类单点预测方法均有2%以上的均方误差提升。