近年来，云计算、大数据和移动互联网等新型网络技术的迅速崛起为推动社会发展注入了强大动力，但与此同时网络攻击特征多元化问题日益突出。在实际的网络场景中，面对海量的网络安全信息数据，人为的进行数据类别标注任务量大，成本高，因此通过监督式的深度学习方法进行数据分析和建模已逐渐不符合客观情况。为克服以上缺点，无监督学习（unsupervised learning，UL）提供了一类有效途径。
　　首先，本文对无监督学习的特点和几类典型的无监督生成网络模型进行了详细介绍，并对无监督学习应用于网络安全态势评估进行了可行性分析，为文章后续提出的网络安全态势评估方法提供理论基础。
　　然后，本文提出一种基于无监督生成推理的网络安全态势评估方法，首先设计一个面向安全态势评估的变分自动编码器-生成式对抗网络（variational auto encoder-generative adversarial networks，VAE-GAN）模型，将只包含正常网络流量的训练数据集输入VAE-GAN的网络集合层进行模型训练，并计算各层网络输出的重构误差。然后，通过输出层的三层变分自动编码器重构误差学习并获取训练异常阈值，使用包含异常网络流量的测试数据集测试分组威胁并统计每组测试的威胁发生概率。最后，根据威胁发生概率确定网络安全威胁严重度，结合威胁影响度计算威胁态势值以获取网络威胁态势。
　　最后，仿真实现网络安全威胁测试过程，获取威胁严重度、威胁影响度和网络安全态势值等指标的量化结果，以此对网络安全态势进行分析和评估。实验结果表明，本文方法对网络威胁的表征能力较为出色，能够直观地评估网络安全威胁的整体态势，且时间复杂度较低。