传统的波分复用（Wavelength Division Multiplexing,WDM）光网络采用固定大小的波长作为资源分配的最小颗粒度,并且传输频谱资源时需要在不同波长频段之间加入保护带宽,难以适应动态、大幅变化的带宽需求,导致频谱资源利用率较低。基于光正交频分复用（Optical Orthogonal Frequency Division Multiplexing,O-OFDM）技术的弹性光网络（Elastic Optical Networks,EONs）采用可变粒度,具有带宽资源利用率高和带宽分配灵活的优点,成为未来光网络的发展趋势之一。论文针对弹性光网络中的路由与频谱资源分配问题,引入基于机器学习等流量预测机制提出了改进的路由选择和频谱分配（Routing and Spectrum Allocation,RSA）算法,通过理论分析和数值仿真等进行了研究。论文简述了弹性光网络的基本原理、架构以及关键技术,并且分析了现有的路由选择和频谱分配算法,讨论和对比了预测时间序列的方法以及常用模型的原理和和公式。针对弹性光网络中突发流量可能造成的网络拥塞及频谱碎片问题,论文首先提出以引入机器学习方法预测链路中的业务流量。论文研究提出了一种预测EONs流量的方法,定义了链路拥塞度的概念,并使用循环神经网络（Recurrent Neural Network,RNN）和模拟数据预测了三种常用网络拓扑中各个链路的拥塞度。论文针对NSFNET（National Science Foundation Network）网络拓扑中设计构建了模型所用的训练集和测试集,通过训练进行流量预测。仿真结果表明:论文提出的预测方法短期预测准确性可达0.95。其次,针对弹性光网络中的RSA问题和碎片问题,论文提出了基于预测的路由选择和频谱分配算法。改进算法在新业务到达之前,预先搜索路由表以确定K条候选路径。当新业务到达时,首先从候选路径中选出最短路径并判断候选路径的数量是否为零;通过计算和判断搜索到的最短路径阻塞度μ是否大于1以及时间t=₀,再判断该路径上是否存在可用频隙并进行频谱分配。理论分析和仿真结果表明,与传统的算法相比,当网络负载为600Erl时,在NSFNET、CERNET（China Education and Research Network）、USNET（United States Network）中的业务阻塞率可以分别获得7%、12%和8%的改进。