随着互联网技术和网络应用不断蓬勃发展,人们的生活和社会发展获得了诸多便利,但同时也产生了大量网络安全隐患。传统的网络安全防御技术主要针对网络攻击采取被动防御的方式,不能全面及时地进行网络安全分析和管理。网络安全态势感知分为态势要素提取、态势评估和态势预测,可以对网络中的安全事件和攻击行为等进行实时感知、分析和预警,具有更强的实时性、适应性和全面性,使得网络管理人员可以网络环境进行主动防御,提高网络安全防御能力。本文将网络安全态势感知与深度学习进行结合,可以进一步提高网络安全态势感知的准确性和有效性。主要研究内容如下:（1）针对复杂网络环境中大量高维的网络安全数据,结合网络威胁性、脆弱性、容灾性和稳定性的各种具体指标,进行合理的分类并量化,最终形成更为全面科学有效的层次化网络安全态势要素指标体系,为网络安全态势评估和预测提供可靠依据。（2）针对网络安全态势要素数据高维非平稳等特点,提出了一种基于改进深度森林（Improved Deep Forest,IDF）的网络安全态势评估方法。首先多源获取的态势要素数据融合量化为更适合深度森林的有效特征。然后将特征输入优化的多粒度扫描模块,提取出具有强表征性的特征。最后加入XGBoost作为基学习器,同时引入随机失活算法,将特征向量输入级联森林模块以实现逐层训练,完成网络安全态势评估。与传统态势评估方法对比,本文方法能更准确地进行网络安全态势评估。（3）针对网络安全态势预测中噪声信息干扰导致的精度下降和网络层数增加导致的网络退化等问题,提出了一种融合深度残差收缩网络（Deep Residual Shrinkage Networks,DRSN）和双向门控循环单元（Bidirectional Gating Recurrent Unit,BiGRU）的混合网络安全态势预测模型。首先使用DRSN和BiGRU分别进行抽象空间特征和时序特征提取。然后使用判别相关分析（Discriminant Correlation Analysis,DCA）算法进行特征融合。最后输入到BiGRU模型中进行网络安全态势预测。与传统态势预测方法对比,本文方法对网络安全态势预测效果更好。