随着无线网络的迅速发展,更多的应用也逐步渗透到人们的工作和生活中,为了满足通信需求,机会网络(Opportunistic Networks)应运而生,在机会网络(oppnet)中,消息以接受-携带-转发方式传输。由于节点移动的不确定性,从而导致较低的传递率和较大的延迟。因此,需要一种智能和安全的存储结转技术。本文提出了一种基于深度学习的路由选择方法,该方法提高了消息传递率、平均跳数和通信开销率。为了决定路径中的下一个最佳跃点,提出了基于长短期模型(Long Short Term Model,LSTM)的路由选择方法,来选择最适合消息传输的节点。由输入阶段、学习阶段、决策和传输阶段组成,在输入阶段,为源节点附近的节点注册五个参数。在学习阶段,使用上面定义的输入参数集对网络进行训练。在决策和传输阶段,决策相邻节点是否将消息转发到特定节点。并在机会网络平台(Opportunistic Networking Environment,ONE)对实验数据集进行了仿真。结果证明,本文设计的网络模型能够提高消息传递率、平均跳数和通信开销率。随着注入网络消息的增多,LSTM模型记录的先前消息会被覆盖,提出了基于双向长短期模型(Bi-directionalLong Short Term Model,BiLSTM)的路由选择方法,该模型对输入的数据进行前向和后向两次计算,最后在相应时刻输出最终的结果。在ONE平台对实验数据集进行仿真,可以看到使用BILSTM要训练更多次才能使网络趋于稳定,但准确率明显比LSTM要高,而且稳定性更好。