软件定义网络(Software Defined Networking,SDN)作为一种新型网络架构,成为当前网络领域的研究热点。然而,随着网络流量的急剧增长,网络应用的多样化,OpenFlow协议的不断更新,流表规模的不断增长,SDN面临三态内容寻址存储器(Ternary Content Addressable Memory,TCAM)存储空间不足、路由转发能力下降等诸多挑战。为此,本文提出了一种面向SDN的智能路由机制。该机制充分利用控制器集中式收集与处理全网数据的优势,采用人工神经网络(Artificial Neural Networks,ANN)学习历史数据流的传输规律,使用ANN取代流表,根据应用需求预测数据流的传输路径,实现数据流的快速转发,提高SDN路由的智能化水平。本文的主要研究内容和贡献如下:首先,本文设计了控制器节点和交换机节点模型。控制器负责网络流量收集与数据预处理,使用ANN学习历史数据流的传输规律,将训练好的ANN以ANN报文的形式分发给交换机。当网络拓扑发生较大变化或链路负载过重或出现请求超时时,控制器重新学习训练产生新的ANN报文来满足网络动态变化的需求。交换机基于ANN预测传输路径实现数据流的快速转发,当路由预测失败时,向控制器发送请求。其次,本文设计了数据收集与预处理机制。明确控制器需要收集的数据以及应用类型识别方法,在此基础上构造训练样本集和测试样本集。然后,本文分别设计了基于反向传播(Back Propagation,BP)神经网络和径向基函数(Radial Basis Function,RBF)神经网络的路由预测机制,并设计了 BP神经网络和RBF神经网络报文格式。将APC-III算法与K-means算法相结合并改进,用于确定RBF神经网络隐含层中心。引入了 K-fold Cross Validation算法,改善人工神经网络的学习训练效果克服过度拟合问题。最后,基于CERNET2网络拓扑进行了仿真实现和性能评价。实验结果表明,本文提出的面向SDN的智能路由机制在路由表占用存储空间、路由转发时间开销等方面表现出较好的性能。