互联网是人类智慧的结晶,深刻影响着世界经济、政治、文化和社会的发展,促进了社会生产生活和信息传播的变革。我国互联网的应用不断普及,网络服务需求日益增多,新的业务需求和服务形式不断出现。同时,网民数量的急剧增加,使得网络行为日益复杂,大量的BT下载或者网络攻击行为经常使得网络瘫痪。互联网的急速发展对网络管理水平提出了很高的要求。要提高网络管理水平,就要求我们对网络服务的时延、带宽等网络性能有相应的管理能力,对网络流量的运行状况和行为特性有一个深入的了解。网络流量预测是网络管理的关键问题,网络流量预测的精确性,实时性,直接关系到网络管理的效率和性能。正是由于网络流量预测在的网络管理中的这种重要地位,越来越多的研究者转向网络流量预测领域的研究。本文针对当前主流网络流量算法的缺陷,设计出一个基于改进支持向量机的网络流量预测算法,并且在MATLAB平台进行了实例测试。结果显示出其在网络流量预测方面比BP神经网络算法准确度更高,效果更好。论文的主要的研究成果如下：(1)分析了网络流量预测涉及的相关内容,包括网络流量存在的线性特性和非线性特性,网络流量预测的理论依据和流量数据的获取方法等。(2)总结了网络流量预测算法的研究进展,对目前存在的各种不同的预测算法模型进行研究,分析其各自的缺陷所在,从理论上给出支持向量机算法在网络流量预测方面的优点和可行性。(3)设计并实现了一个基于改进支持向量机的网络流量预测算法。针对支持向量机在参数寻优方面存在的问题,引入遗传算法来改进支持向量机算法模型,使其能够更加快速、更加准确地确定各个参数值。最后,利用真实的网络流量数据样本进行实例测试,通过与BP神经网络算法的预测性能进行对比,证明了本文所提出的改进算法具有一定的优越性。