近年来人工智能作为计算机领域一门新的学科得到了飞速的发展,尤其在强化学习和深度强化学习领域有了很多重要的发现与成果。软件定义网络(Software Defined Networking,SDN)作为一种新型网络架构,因为其集中控制的特性,受到学术界和商业界的广泛关注,如何在SDN网络中通过合理的流量调度算法实现网络流量的负载均衡,提高网络业务的服务质量是当前研究的热点课题。而随着人工智能的发展,为SDN网络实现智能规划路径提供了新的研究方向。本文在研究了当前SDN流量调度技术的基础上,结合强化学习在策略优化上的优势与SDN网络资源集中控制的特点,提出了一种基于强化学习的智能多路径路由规划方法。该方法根据网络当前状态信息和流量特征,通过强化学习模型对网络流量进行多路径路由。实验表明,该方法能够为不同的流找到符合其流量特征的多条转发路径,提高网络链路带宽利用率。同时与现有的主流流量调度算法相比,本文所提流量调度方法可以有效降低网络时延抖动,降低网络丢包率。在实际网络环境中,网络状态繁多,强化学习存在人工特征难以提取,状态-动作空间通常较小的缺陷。对此,本文将深度学习与强化学习相结合,利用神经网络在特征提取等方面的优势,提出了一种基于深度强化学习的智能多路径路由规划方法,该方法从大量的历史经验数据中采集训练样本,并利用深度学习的神经网络来拟合传统强化学习算法中的Q值表。最后,通过实验验证该方法拟合强化学习Q值表的可行性,并与其它基于深度强化学习路由规划方法进行对比分析,发现本文提出的基于深度强化学习的多路径路由规划方法具有一定的优越性。