近年来,网络安全问题愈发引起人们的关注。网络安全态势感知技术的出现在极大程度上缓解了网络安全防护工作的压力。与传统网络安全防护方法只能被动防御不同,网络安全态势感知可以为网络管理人员提供安全态势分析评估、威胁预警,从而实现主动的网络安全防护。然而,随着当前网络环境规模的不断扩大,网络安全数据愈发呈现大规模、多特征、多源异构等特点,给现有的网络安全态势评估与预测技术带来了巨大的挑战。论文利用深度学习方法,围绕网络安全态势的准确、高效评估与精准预测展开了研究,主要研究内容如下:（1）面向当前大规模复杂网络环境,借鉴现有的网络安全态势感知结构,构建层次化的智能网络安全态势感知模型。该模型自下而上分为网络安全态势数据采集层、数据处理层、智能响应层和可视化层,其中网络安全态势智能响应层是该模型的核心,由网络安全态势评估与预测构成。基于此,根据构建的模型建立了相应的原型系统,并验证了其有效性。（2）针对网络安全态势评估数据集存在较多的特征冗余,且现有的大多数评估方法未能充分考虑评估数据的时序性且表征学习能力不足,进而导致网络安全态势评估准确率与效率有待提升的问题,提出一种基于自编码器（Auto Encoder,AE）和简约记忆单元（Parsimonious Memory Unit,PMU）的网络安全态势评估方法。该方法首先利用AE对评估数据进行特征提取;然后利用PMU能有效管理数据长期依赖与短期依赖的潜在关系这一特点,对降维后的评估指标数据集进行充分表征学习得到评估结果;同时,利用麻雀搜索算法在PMU网络训练过程中对参数自动寻优。与其他同类方法相比,该方法在评估准确率与效率上有着一定的提升。（3）针对当前基于门控循环单元（Gate Recurrent Unit,GRU）的网络安全态势预测方法存在更新门无法有效控制过去信息遗忘与当前时刻信息保留程度,进而对态势数据表征学习能力存在一定的局限性,导致预测精度下降的问题,提出一种基于改进GRU的网络安全态势预测方法。该方法利用自注意力机制能有效学习当前时刻候选集信息与过去隐藏状态信息间的关系,从而代替GRU中原有的更新门,使得改进GRU能充分保留当前时刻信息内容,而合理去除过去隐藏信息中冗余部分,并突出候选集中的关键信息。实验结果表明,基于改进GRU的网络安全态势预测方法与其他同类方法相比,有着更好的预测精度。