软件在长期不间断的运行过程中,会产生系统内存泄漏、未释放的文件锁、舍入误差的积累、大量的存储空间碎片等现象,这些原因会导致软件性能的下降,这种现象被称为软件老化。软件老化的现象不仅存在于通常使用的Web服务器或者通用服务器,也存在于要求高可靠性、可用性的应用系统。软件老化对安全关键领域包括人的生命都造成了巨大损失。及时地预测软件老化程度的趋势,根据系统资源的耗尽时间的度量标准,就可以及时采取相应的恢复策略,从而可以避免软件老化所造成的损失。本文在BP神经网络的基础上、采用蚁群算法,对反映软件老化趋势程度的资源参数进行预测,从而判断软件恢复时间。论文首先论述了软件老化的研究意义和研究现状；构建了研究软件老化的实验平台；其次介绍了线性预测方法和非线性预测方法,这些方法包括Sen slope、ARMA模型、BP神经网络等,本文对各种预测算法进行了综合比较。在预测老化趋势方面,首先应用各种预测方法对实验平台采集的系统性能数据进行了预测,实验表明神经网络算法在数据的拟合准确性和预测的精确性方面,此算法达到了一定的精度。BP神经网络的初始化权值的选择存在着一定的不足。因此,本文提出了蚁群神经网络(ACONN, Ant Colony Neural Network),使用蚁群算法优化BP神经网络的初始化权值,建立了蚁群算法优化BP神经网络的模型,完成了蚁群神经网络对软件老化趋势预测的设计。论文对蚁群神经网络的构建流程进行了阐述,并使用MATLAB神经网络工具箱,进行了仿真试验。实验结果表明,由于蚁群算法全局寻优特性,蚁群神经网络能够快速优化BP神经网络权值的初始选择,从而减少了BP神经网络训练的迭代次数和训练时间。预测结果表明蚁群神经网络的性能优于BP神经网络,预测更为准确。