近年来,随着互联网的持续飞速发展,网络规模在扩大,复杂性在增长,各种新兴服务和应用不断涌现,网络测量的要求越来越高。对一个规模空前庞大的网络进行网络性能的监控与管理,是当前互联网领域所面临的一个全新的研究领域。要成功设计、控制和管理网络,就需要了解和掌握网络的内部特性。其中流量矩阵是重要的网络性能参数之一。由于网络日益向大型化、异构化、分布化发展,通过直接进行网络测量的方法,来获得网络内部流量矩阵信息就变得越来越困难,网络层析成像作为一种通过端到端间接测量的数据来推断网络状态参数的技术正成为研究的热点之一。业务流量矩阵是网络性能测量技术非常重要的一个方面,它主要是指测量通信网络中源节点-目的节点(Origin-Destination,OD)对之间的流量。获得准确的数据流量对于网络设计和管理是非常重要的,网络拓扑结构的设计、链路容量的规划和预测以及路由协议的实现等都需要用到OD对之间的流量数据。对于许多IP网络的管理非常重要,但是,直接测量业务流量矩阵是非常困难的,所以从链路负载统计数据或其他更简单的测量数据中估算业务流量矩阵是现在的主要方法。而网络层析成像技术上近年来出现的一种端到端的技术和统计学方法来获得网络中那些不能直接观察到信息的技术。本论文主要的研究内容是研究基于网络层析成像理论的业务流量矩阵的估算算法。论文首先介绍了网络层析成像理论,接着详细论述了基于网络层析成像理论的几种估算算法——重力模型、统计推断模型、第三代方法和EM算法等的原理和方法。最后在网络层析成像、现有业务流量矩阵和高斯分布的基础上,将高斯混合模型(Gaussian Mixture Model,GMM)算法应用于流量矩阵估算研究中。该方法主要是通过采用混合高斯模型来描述网络的OD流,这样流量矩阵估算问题就转化成模型的参数估算问题,然后采用期望最大化(Expectation-Maximization,EM)算法对模型的参数进行估算。紧接着在信息熵的基础上,将最大熵(Maximum Entropy,ME)应用在流量矩阵估算中,主要借助矩阵变换和拉格朗日最优化方法,将要求得到的流量矩阵用链路流量和路由矩阵已知数据推断出来。最后利用新的数学理论对估算算法进行仿真,根据现有的理论和实验依据,结合骨干网网络拓扑结构,通过仿真实验分析和比较流量矩阵估算算法,阐述了该实现方法的优势和不足。通过理论分析和仿真实验结果我们可以看出,本文提出的基于高斯混合模型方法得到了较好的估算结果。得出的流量矩阵估算结果与网络实际值更加接近。