动态负载均衡是网络计算的关键技术，如何提高动态负载均衡的性能，一直是网络计算人员研究的一个热点。传统的动态负载均衡方法总是收集结点负载的实时值作为任务在各结点分配的依据，但这种方法会产生决策时延，造成进程抖动现象，使均衡系统的性能大大下降。如果我们能准确地衡量和预测结点的负载，并结合负载均衡策略，将有效解决以上问题，大大提高网络计算的性能。 基于这种思想，本文运用数学、统计学、人工智能学等多学科的知识建立了多种预测主机负载的预测模型，主要包括传统的线性时间序列模型、特殊的自我平衡及趋势预测时间序列模型、神经网络BP模型。本文通过实验评估比较了这些预测模型的预测性能，获得了各预测模型的优劣，从中选择了具有较佳预测性能的时间序列AR、混合趋势预测MT、神经网络BP三种预测模型构建了预测模型模板库。 在获得良好预测模型的基础上，本文建立了HLPS(Host Load Prediction System)模型体系，并开发了应用于LINUX分布式环境的HLPS软件包，可以对主机负载进行实时在线预测。然后，本文应用HLPS成果，提出了基于负载预测的任务运行时间预测理论，这和传统的针对特定应用构建性能模型以预测任务运行时间的方法相比，在预测简易性、可操作性上有了较大的提高。最后，本文把负载预测和动态负载均衡有效结合起来，提出了一种高效的基于负载预测的动态负载均衡算法，该算法使用预测的方法获得负载信息，并采取了改进型接收者驱动策略。经性能分析和实验评估，这种方法与传统的动态负载均衡方法相比具有一定的优越性，有效地提高了动态负载均衡系统的性能。