随着物联网技术的蓬勃发展，M2M业务（Machine to Machine、Man to Machine、Machine to Mobile network）得到了越来越广泛的应用，海量的异质M2M业务与传统的H2H业务（Human to Human）共享整个通信网络。按照业务的时延容忍性，网络中的业务大致可以分为两类：实时类业务与非实时类业务。对于H2H语音和视频等实时类业务而言，时延抖动是最关键的QoS指标之一。由于M2M业务流量特性迥异于现有的H2H业务，因而当海量的M2M业务涌入现有以及未来的通信网络中时，势必会对网络中实时类业务抖动性能带来冲击。研究混合业务背景下实时类业务的抖动性能，探究非实时类业务特性对实时类业务抖动性能的影响，对于网络性能评价及实时类业务QoS优化等极具意义。排队理论常应用于通信网络建模与性能分析。本文将网络中的实时类业务看作标签流量，将非实时类业务看作背景流量，基于串联排队理论建模研究承载混合业务的通信网络中实时类业务的时延抖动，提出了两种不同的求解包时延抖动的方法，从不同角度探索了影响包时延抖动性能的因素，其结果对于实际网络优化及资源分配具有指导意义。本文独立工作和贡献论述如下。首先，本文基于排队系统的稳态分析方法研究了串联排队系统的时延抖动。采用异质的MMBP-2源分别建模实时类业务和非实时类业务的到达过程，将整个通信网络建模为离散时间串联MMBP-2F+MMBP-2B/Geo/1(K)排队系统。利用服务映射方法，将排队系统MMBP-2F+MMBP-2B/Geo/1(K)等效为MMBP-2F/Geff/1(K)。基于生灭过程，利用二维马尔科夫链描述MMBP-2F/Geff/1(K)系统稳态后的状态转移情况，计算包的稳态时延分布，从而得到实时类业务的抖动性能指标。在分析端到端时延抖动时，首先基于离去过程分析及参数拟合方法，计算了各个节点独立时的时延抖动。然后研究了串联节点之间的相关性，从而给出了实际的端到端时延抖动的最终表达式。大量的仿真结果表明随着业务负载的增加，实时类业务包时延变大而时延抖动减小，此外在业务突发性、业务相关性及网络拥塞等方面，时延抖动也呈现出与时延相反的特性，这一结论为实时类业务QoS优化提供了理论依据。考虑到实际通信网络中，在实时类业务到达时间间隔内总伴随有随机数量的非实时业务的包进入网络，此时排队系统队列状态瞬时变化且状态转移概率难以确定，无法利用稳态分析方法求解包时延抖动。对此，本文提出了时延抖动的瞬态分析方法。采用一般离散时间到达过程（DAP）建模实时类业务，离散时间批量到达过程（D-BAP）建模非实时类业务，将整个网络建模为串联DAP+D-BAP/D/1排队系统。在该系统模型中，实时类业务时延抖动等价于系统队长在其连续两次到达系统时刻的变化。因而本文首先在实时类业务到达时间间隔内逐个时隙分析系统队长的变化，建立瞬时队长的递推式，利用概率生成函数工具求解实时类业务到达时刻及此刻的系统队长的联合生成函数，并得到了系统稳态队长的概率分布。在此基础上，本文分别推导了随机服务规则和优先服务规则下实时类业务包时延及抖动的概率分布函数。在求解串联排队系统端到端时延及抖动时，本文分析了实时类业务离去时间间隔的概率生成函数，并将其建模为下一个节点实时类业务的到达过程，进而依次求解了所有节点时延及抖动的概率分布。最后本文以互补累积分布函数和概率分布函数分别作为时延和抖动性能的指标，以定长分布和泊松到达过程为例，研究了业务负载、服务规则等因素对包时延及抖动性能的影响。