随着移动互联网的发展,网络服务日渐多元化,用户数量和多媒体流量爆炸式的增长正在给网络路由技术的发展带来挑战。如今,网络的变化相比过去更加的复杂。然而,传统基于规则的路由算法,很难从网络状态和大规模变化的流量当中学习到网络变化的规律,并动态化的改变路由的规则。SDN网络的出现,解耦了路由器的数据平面和控制平面,赋予网络设备可编程的灵活性,使得路由规则可以动态变化。尽管如此,SDN网络并不能自主分析网络状态,并解决网络遇到的问题。为此,业界有人提出了在SDN的控制平面上加入机器学习,深度学习等技术的想法和概念。不仅限于SDN网络中,这类新兴的技术已经在网络领域,比如网络数据分析,流量传输等问题上取得了一些成果。本文将机器学习的方法和思想引入到网络路由当中,沿着这类技术中常见的使用向量来表征信息的思路,提出了一种新的网络设备的表示—节点向量,以及相关的理论。因网络设备也可以抽象为节点,也叫节点向量为Node Representation(NR)。围绕节点向量,本文的主要贡献如下:第一,针对网络的基本路由问题,提出了一种基于节点向量的启发式网络路由算法。其中,机器学习的方法被用来计算节点向量,使其能够表征网络中的距离信息。依据对网络距离进行编码的节点向量以及路由思路,构建出了针对基本路由问题的算法。第二,节点向量作为网络结构的抽象,为学习类算法在网络中应用提供了可供处理的基本特征。基于这些基本特征,本文将神经网络引入到网络中,进行QoS约束路由和网络状态分析。第三,对于所提出算法的适用场景和潜在应用进行了分析,并通过仿真实验,在不同的应用场景下,验证了路由算法的可行性和有效性。