近年来随着网络的不断发展,网络数据也备受关注。信息化的今天,每天都会产生各种类型的网络数据,如何在这些庞大的数据中发现非法数据是我们急需解决的问题。由此网络取证技术应运而生,并得到迅速的发展,然而在证据融合过程中经常会遇到信息数量多、不确定、来源广等问题。本文针对信息数量多的问题提出了一种BP神经网络分类器模型,对采集到的网络数据进行预处理,以降低融合数据元的维数;提出了一种基于高冲突证据修正的D-S证据融合方法以提高融合效果,将该方法应用到取证系统的证据融合模块。本文所做工作可以归纳为以下三个方面:(1)提出了一种改进的BP神经网络分类器模型该算法主要考虑到传统的BP神经网络算法易陷入局部最优对分类结果产生不良影响,通过自动调整学习因子的学习方法,构造一种改进的BP神经网络模型,并将算法应用于分类中,实验结果表明,该算法能够解决易陷入局部最优的问题,并且提高了分类的效率。(2)提出了一种修正高冲突证据的融合算法该算法深度剖析了D-S证据理论在融合过程中容易出现的问题,将证据的信任度和虚假度相结合判定高冲突证据,并对高冲突证据进行修正,减少高冲突证据对融合结果的影响。通过实例验证,本算法能够很好的解决高冲突证据存在情况下融合结果与事实相悖的问题,并且提高了收敛的速度。(3)设计了基于D-S证据理论的网络取证证据融合模块,实现对网络数据的预处理和分析将BP神经网络与D-S证据理论相结合并应用于网络取证系统的证据融合模块。在该系统中首先利用BP神经网络对采集到的网络数据进行分类预处理,生成元证据,将预处理后的证据进行证据融合,最终得到一个合理的一致性证据,并生成取证报告。结果证实本文算法可以对网络数据进行有效的分析,网路行为的判定。