随着Internet的不断发展和广泛应用,使得人们对网络服务的质量的要求越来越高,网络服务器经受着巨大的考验,很多网络服务因为网络负载的线性增长而不堪重负,服务响应时间增加,服务质量大打折扣,集群负载均衡技术成为解决服务端瓶颈的一个有力措施,具有较高的性价比和可扩展性,所以得到了广泛的应用。集群的负载均衡算法是负载均衡技术的关键,通过考虑节点设备各方面的因素来使任务合理均衡地分配到相应的真实节点设备上,减少集群系统的响应时间,增加集群系统的吞吐量,提高网络设备的灵活性和可用性,增加网络通信的带宽。集群设计中的负载均衡算法的优劣将直接影响集群的性能。动态反馈是基于服务器的实时负载和响应情况,不断调整服务器间请求的比例,来避免有些服务器在过载时仍接收大量的请求,以此来达到提高整个集群系统的处理能力。本文通过对集群系统和当前主流的负载均衡技术理论的介绍和研究,针对其不足之处,提出了三种可行的解决方案,根据动态反馈算法而提出的新算法中,不仅考虑了节点设备的性能和负载能力,而且还根据输入指标来调整各节点的权值,使负载均衡不倾斜。本文还利用神经网络BP算法、排队论算法来对负载均衡算法进行改进,充分利用神经网络BP算法和排队论模型的各种优点,构建一个无需人工干预的自学习的负载均衡算法,本文进行了详细的描述。最后还通过仿真实验的对比分析,证明了改进算法的优越性,有效的提高集群系统的性能,降低系统的延迟时间,提高系统的吞吐量和利用率。