软件定义网络(Software-defined network,SDN)成为目前网络发展的新趋势,得益于它能够对网络进行集中控制,集中控制能够带给网络管理者诸多好处,突破传统网络中亟需解决的问题。而云服务平台等新兴网络技术的出现,使得服务内容集中化,服务种类多样化,用户的访问也逐渐个性化,如何针对性的提升用户访问业务的服务质量(QoS),提高网络中链路的利用率和保障链路的负载均衡,是本文主要的研究课题,对此本文主要做了如下两方面的工作:首先,提出了一个在SDN网络中服务流分类与识别的框架,该框架在每个SDN域中通过流量采集与分析软件采集边缘网络设备上多个端口传输的数据流的信息,并将统计后的流特征信息发往控制器的服务流分类模块的队列和历史数据库中等待处理。服务流分类模块是以机器学习中的深度神经网络模型为核心,以历史数据库中流样本数据为训练集而训练出的分类模型,它通过提取队列中流的有效特征信息进行分类预测,从而识别并感知出其所属的服务类别,其中历史数据库能够周期性的重新训练分类模型使其自适应未来的网络变化。在最后对框架中核心技术深度神经网络分类模型进行了仿真实验,实验结果表明该模型能够有效地识别服务流类别,并且分类结果中其中六个类别的F1分数能够达到98%以上。然后,在上一个框架的基础上,对分类与识别出来的服务流,进一步提出了基于多约束QoS的流调度策略,按其传输所需的服务质量建立多约束QoS的流调度策略,通过将控制器原始使用最短路径决策调度的数据流,重新分配到由本文算法制定的QoS路径上传输。该调度策略的核心算法是LLB-QoSAS,它以最大最小蚁群算法为基础进行改进,通过引入赌盘决策、惩罚机制和负载调和值等方法来满足本文所需的多约束QoS流调度规则。最后以仿真网络进行实验,实验结果表明,该算法具有较好的收敛性和仅仅5%左右的概率陷入局部最优解,并且它能够有效地保障传输业务的服务质量,同时尽量使链路利用率趋于负载均衡,最终链路的平均利用率能够达到65%,所有业务都在满足QoS度量的路径中传输,并最终在控制器中进行了二次开发和路由功能的实现。