随着移动互联网的快速发展和网络规模不断扩大,网络安全形势日益严峻,层出不穷的网络安全威胁对网络安全性能提出了更高要求。在网络安全态势感知领域,评估指标体系建立的不完善使评估结果准确性降低,同时由于评估模型收敛速度慢而造成的风险评估不及时、预测模型参数设置不完备导致安全预测不准确已成为了该领域所面临的突出问题。本文从态势评估和态势预测两个角度对此展开研究,主要研究工作包括:1、通过攻击影响对网络安全状态进行分析,提出一种态势指标评估因子,该指标因子能够更加全面、准确的反映网络当前受到的攻击情况。有效解决在态势评估研究中选取指标不当导致评估结果不准确的问题,为态势评估与预测提供稳定的支持依据。2、针对传统BP神经网络态势评估模型中网络攻击评估仅考虑攻击效果、参数初始化设置不准确导致模型收敛速度慢、评估效率不佳的问题,提出一种基于遗传算法-BP神经网络的态势评估方法。该方法首先使用遗传算法对BP神经网络训练过程中的权值进行优化,克服了初始权值选择的盲目性,提高了BP神经网络的训练效率;同时基于优化后的BP神经网络进行攻击影响指标体系的网络态势评估,实现对网络安全状态的实时监控与分析。3、针对传统RBF神经网络态势预测模型中参数随机初始化、最优参数难以确定导致预测结果不准确的问题,提出一种基于蚁群算法-RBF神经网络的态势预测方法。该方法使用蚁群算法对RBF神经网络的基函数进行聚类,提高聚类速度,解决了RBF训练过程中易陷入局部最优解的问题;将优化后的RBF神经网络应用于网络态势预测,实现对网络安全态势发展的准确预测。4、使用KDD Cup99数据集对上述两种方法分别进行实验验证和分析。通过仿真对比实验分别验证了本文所提出的基于神经网络的网络安全态势评估与预测方法能够更加高效、准确的实现对网络态势的评估与预测。