随着物联网、云计算、5G和大数据等新兴技术的迅猛发展和广泛应用,移动互联网、高清视频传输等新型数据业务与日剧增,弹性光网络（EON）因其低损耗、高灵活和高效率等优势越来越成为光网络领域研究的热点,路由和频谱分配问题（RSA）是弹性光网络的核心问题。本文考虑到不同链路之间容纳业务能力的差异性,提出了基于路径空闲度的路由和频谱分配算法,并且在深入探讨该算法与网络负载之间的动态关系的基础上,与流量预测技术相结合,采用理论分析和数值仿真等方法进行了全面深入的研究。论文首先介绍了弹性光网络的原理及关键技术,讨论了机器学习方法及其在光网络中的应用,重点关注了流量预测问题及其对RSA的影响。针对弹性光网络的RSA问题,本节首先对传统的k条最短路径算法（KSP）进行了研究,在此基础上提出路径完整度的概念,进一步引入当前完整度和残余完整度,将两者的线性加权和表示为路径空闲度。然后将路径空闲度与传统的KSP算法相结合,得到一种适用于弹性光网络的基于路径空闲度的路由和频谱分配算法,定义为PLD算法。将该算法在NSFNET、USNET和CERNET网络中进行仿真并且对权重系数的取值进行进一步探索和研究,结果表明,相比于传统的KSP-FF和KSP-RF算法,PLD算法可以有效降低网络带宽阻塞率,提高频谱资源利用率,而且权重系数的不同取值对不同负载处的带宽阻塞率和资源利用率的变化趋势有影响。进一步地,论文将流量预测技术和基于路径空闲度的RSA算法相结合,提出了一种基于流量预测的自适应路由策略。首先采用Elman神经网络（ENN）对实际网络中的网络流量进行预测,预测结果与真实数据吻合较好。其次将预测结果作为输入变量,与PLD算法相结合,对权重系数随网络负载动态变化的特性进行进一步深入分析,并构建以权重系数为参数、以业务阻塞量和频隙使用量为目标函数的优化模型,采用基于启发式的遗传算法进行求解。结果表明,权重系数α的取值应与网络负载的变化成负相关,权重系数β应与网络负载成正相关,在低-高负载区间段,采用随网络负载自适应变化的α和β能够最大程度上减少网络拥塞及提高网络性能,研究成果揭示了权重系数α和β应随网络负载的变化而变化的动态特性。