随着互联网的普及,网络技术已应用于生活中的方方面面,同时网络威胁带来的危害也愈发严重。面对错综复杂的网络环境,如何有效地解决网络安全问题迫在眉睫,网络安全态势评估（network security situation assessment,NSSA）成为最常用和最有效的解决方案之一。然而,传统方法过于依赖专家评估和逻辑推理,不能满足处理大量的网络流量和攻击的要求,深度学习方法为解决传统评估方法的不足提供了一种新思路。首先,对现有的网络安全态势评估方法进行分析,阐述深度学习的原理以及其在网络安全态势评估领域的应用,说明深度自编码器（deep autoencoder,DAE）的网络结构以及其作用,为后续提出基于深度学习的网络安全态势评估方法奠定理论基础。然后,提出一种基于深度学习的网络安全态势评估方法,通过建立深度自编码（deep autoencoder-deep neural network,AEDNN）模型对网络中受到的各种攻击类型进行识别。AEDNN模型可以对当前网络受到的攻击进行二分类和多分类,将模型二分类结果作为攻击概率。通过设计一种欠过采样加权（under-over sampling weighted,UOSW）算法并将其应用于AEDNN模型多分类任务,将模型多分类结果记为攻击影响分数。根据攻击概率和攻击影响分数计算网络安全态势值并依据态势值评估当前网络安全态势等级。最后,将测试集输入AEDNN模型,并统计被模型识别为网络攻击的样本数量,将其与测试集总样本数的比值记为攻击概率。记录每一类攻击被模型预测的次数,分析数据集中每种攻击对网络的影响程度,计算其攻击影响分数。根据攻击概率和攻击影响分数及其被预测的次数,计算网络安全态势值,并评估网络安全态势等级。实验结果表明,与其他方法相比,应用本文方法计算出的网络安全态势值更符合真实情况,证明本文方法的可行性和准确性。