在信息化时代,安全的网络环境是社会正常运转的重要条件。网络安全态势感知作为安全大数据中具有主动防御能力的技术手段,在网络安全中有着广阔的应用场景和极具潜力的研究价值。网络安全态势感知技术通过对获取到的安全数据进行理解、评估用以预测攻击,具有主动网络安全防护能力。然而,现有网络安全感知技术主要用于大规模网络基础设施保护,并不适用于中小企业应用态势感知实际环境。因此,本文对中小规模企业应用网络安全态势感知方法进行研究,主要工作如下。首先,针对现有大规模多源数据融合态势感知方法复杂,无法迁移到数量多、规模相对小、业务关联性强特点的企业安全应用上的问题,研究使用隐马尔可夫模型（HMM）对企业应用网络安全数据进行安全态势评估;其次针对HMM模型相关参数在传统BW训练算法学习过程中容易陷入局部最优解,导致模型评估效果不好的问题,研究使用基于精英策略的改进粒子群（PSO）算法优化HMM评估模型,在HMM模型训练前先对其转移矩阵进行寻优,这样做有利于提高训练过程的随机性和模型在企业应用中的实际评估能力。设置非线性更新粒子群加速系数,提高模型的全局收敛能力;最后使用模拟攻击企业web应用所产生的安全数据,结合企业应用安全需求构建HMM态势评估模型进行实验评估。通过实验结果表明:基于精英策略的PSO优化HMM评估模型使用较少的迭代次数即可达到收敛,结果更为准确,在企业应用安全态势评估方面具有良好的使用效果。针对中小企业态势预测模型轻量高效的需求,使用网络结构简单、对非线性数据具有较好拟合效果的RBF神经网络对企业应用进行网络安全态势评估,同时结合K-means聚类算法对RBF神经网络中心进行求解,使用PSO算法对RBF神经网络参数基宽和权值向量进行优化学习。通过实验表明所提方法可以有效改善RBF梯度下降法易于陷入局部极值的缺点,在企业网络态势预测上效果更好。综上所述,本文针对中小规模企业态势感知应用不足,提出新的态势评估和态势预测模型,既满足了企业应用态势感知的特定需求,同时兼顾了模型的轻量性能和实际应用能力。