当今的互联网是一个庞大的分布式网络,随着社会的不断发展,其规模不断扩大,对于网络的管理、优化以及故障诊断等方面也提出了更大的挑战,倘若能够识别网络的拓扑结构,这一切问题都会得到简化。固定网络的拓扑推断主要有两种方法:一种是传统的网络推断方法,它通过收集网络内部节点的相关拓扑信息进行分析和处理,从而推理出网络拓扑结构,这种方法有赖于网络内部节点的配合,而且,信息收集过程中容易增加网络通信负载,这个问题也不容忽视;另一种方法是网络层析成像技术,采用这种方式,即使在没有来自内部节点协作的情况下,只要通过在网络边界处采用主动测量或被动接收的方式获得网络内的有用信息,再而利用统计学的方法就能够进行拓扑推断。本文从系统模型、参数测量方法以及逻辑拓扑推断算法等方面详细介绍了网络层析成像技术,其中,重点探究了基于网络层析成像技术的网络拓扑估计算法,对其突出特点与现存问题做了详尽的说明,并对之进行改进,在估计准确性和推断效率上有一定的提升。首先,针对基于最大似然的拓扑估计方法计算复杂度过高的问题(特别是网络规模较大时),提出了改进的带正则项的最大似然快速拓扑估计方法,有效降低了计算量,并通过理论证明和仿真实验进行了论证。另外,针对现有分层拓扑估计算法在节点相关性方差较大时,会出现性能下降的情况,提出了基于合并分层聚类的网络拓扑推断算法,该算法采用自底向上的合并分层聚类,每次聚类仅使用与最大相关节点对有关的数据,通过这个方式,在原有的分层拓扑估计算法基础上,降低了运算复杂度,提高了算法的参数估计精度。