在网络技术高速发展的背景下,互联网上的信息不断丰富,逐渐成为人们日常生活和工作中重要的信息来源。网络互联环境越复杂,就意味着网络服务越容易出现问题,网络的性能越容易受到影响。为了给用户提供优质的服务,网络的维护和管理显得日益重要。本文通过对认知网络的学习研究,掌握认知网络QoS管理机制,利用认知网络的自学习、自管理、自优化、自配置特点对目前的QoS评价方法进行改进。一个计算机网络系统,可以由多种多样的计算机平台,通过各种各样的传输媒体构成不同的拓扑结构,并且采用相应的多种信道访问控制方式,因此计算机网络的性能评价非常复杂,目前国内外普遍采用并发展相对成熟的有3种方法:1)测量法;2)模型分析法;3)模拟法。本文采用基于模型的评价方法,通过模型建立各数据间的关系,并对参数测量值进行数据分析与处理,以量化的方式进行性能分析和评价,从而对网络当前运行状况给出综合评估。文中采用了两种评价模型:基于支持向量机(Support Vector Machine,SVM)的评价模型和基于层次分析法(Analytci Hierarchy Process,AHP)的模糊评价模型。支持向量机属于人工智能范畴,在模式识别、精确分类上有较好应用,文中利用遗传算法(Genetic Algorithm,GA)对SVM的参数初始化进行改进,优化评价模型的指标参数,与未优化前的SVM相比有更准确的评价结果。基于层次分析法的模糊评价模型对指标体系进行分层归类,通过构造多层次的结构体系来确定指标权重,使得出的评价结果更具体更符合实际。