P2P技术的发展不仅给个人用户带来了前所未有的便利,而且也极大地推动了网络潜能的进一步开发,但是其安全性是一个影响网络推广、应用所不容忽视的问题。因此在P2P网络中建立合理的信任模型一直是一个研究热点,然而目前的信任模型中普遍存在时间代价高,不能及时反馈节点信任值等问题。　　 本文对P2P网络的特点和发展应用各阶段出现的各种安全问题进行了分析,介绍了目前P2P网络中信任模型的研究现状和信任数据的存储机制,在此基础上提出了一种基于聚类的RBF神经网络信任预测模型。　　 节点的资源和行为相似度在一定程度上可以从历史交易中看出来,本模型首先通过聚类网络初始结点产生一系列兴趣组。但是,训练节点数过于庞大的兴趣组会带来相应神经网络收敛速度变慢,系统开销大等问题。本模型借助计算筛减因子对节点身份进行标识,不仅解决了网络训练过程中出现的输入层节点过多的问题,减少了模型训练和预测过程中的代价,同时也有利于系统根据结点的身份标识,灵活地选取信任值预测方法。备选队列中具有最大信任值的结点将做为可选择的目标结点。　　 该方案具有较好的反应能力和检测效率。通过Matlab软件模拟实验发现,该模型具有较好的动态适应能力和较高的检测效率,与已提出的模型相比,该模型对节点的信任值能给予更为及时地反馈。