网络流量特性的分析、流量建模以及流量预测对于新一代网络协议设计、网络管理和提高网络服务质量等都有重要的意义。本文也正是以网络流量特性分析为出发点,对网络流量预测模型算法及其应用进行了相关的研究。论文首先对网络流量特性进行了详细分析,介绍并实现了六种网络流量分形维度的估算方法,通过仿真实验对比验证了各种估算方法的精度以及周期和噪声信号对估算方法的影响;同时论文探讨了网络流量自相似的成因和对网络性能的影响。其次本文归纳总结了网络流量建模预测发展过程中的传统的短相关模型、自相似模型各自的优缺点,讨论了网络流量领域最新的分析方法和理论,分析得出:针对同时具有长相关和短相关的自相似网络业务流应当采用混合模型才能更精细的刻画其特性。在详细分析网络流量特性的基础上,提出基于分形滤波神经网络的混合流量预测模型,改进神经网络训练算法,应用该模型对真实网络流量的变化趋势进行拟合和预测,实验结果表明:分形滤波神经网络模型能同时描述自相似流量的长相关和短相关特性,并且其拟合真实流量效果比FARIMA模型、AR模型和BP网络模型更好;Hurst参数值越大的仿真流量,其预测精度越高;分形滤波去长相关后真实网络流量短期预测精度高于传统回归模型;分形滤波去短相关的预测模型,在多步预测中更能抓住业务流的未来变化趋势。最后论文将分形预测模型与网络动态带宽分配相结合,仿真实验表明针对具有分形特性突发性较强的业务流,基于预测的动态网络带宽分配策略能有效的减少信元丢失率、传送时延及队列长度,大大提高了网络传输质量。