随着网络的不断发展,使得网络体系结构越来越复杂,对网络的整体安全要求越来越严格,如何确保网络的安全性是当下亟待解决的问题。网络安全态势感知技术能够动态地了解大规模网络的安全性,从大规模网络中建立完整统一的安全态势体系,从中提取态势要素对整体网络的安全性能进行分析,同时为整体网络提供安全策略,预测安全风险的动态变化趋势。因此,这种技术能够比较好地适应网络的安全性需求。本文主要针对网络安全态势要素获取和态势预测两方面展开研究,具体工作如下:第一,为了加快深度信念网络的收敛速度以及提高小样本条件下态势要素的获取精度,提出了一种基于批量归一化的深度信念网络安全态势要素获取机制。一方面在深度信念网络中加入批量归一化以解决梯度消失问题稳定网络训练;另一方面在深度信念网络输出层提出一种改进的主动学习算法反向微调深度信念网络,在每次迭代中主动选择训练样本来平衡样本种类。理论分析和实验数据仿真结果表明该机制能够解决深度神经网络收敛速度过慢或梯度消失,以及小类样本准确分类的问题。并在获取精度、收敛速度以及算法复杂度上优于未改进的深度信念网络态势要素获取机制。第二,为了提高网络安全态势预测的精度,利用生成对抗网络来模拟态势的发展过程,从时间维度实现态势预测。提出了一种基于差分Wasserstein生成对抗网络的网络安全态势预测机制。在基于生成对抗网络的态势预测过程中,为了解决生成对抗网络所具有的网络难以训练以及梯度不稳定问题,提出了利用Wasserstein距离作为生成对抗网络的损失函数,并在损失函数中添加差分项来提高态势值的分类精度。实验结果和理论分析表明,该机制相比其它机制而言在收敛性、预测精度和复杂度方面都具有一定的优势。