随着信息技术的不断发展,通信网络和通信设备越来越紧密地渗透到人类的生产、生活中,随之而来的各种各样的网络威胁攻击带来的风险值也在迅速上升。现有的防火墙、入侵检测系统、病毒杀伤等安防技术只能对已发生的威胁攻击进行预防保护措施,且不能在宏观的情况下掌握网络系统走势。对于这种情况,网络安全态势感知迅速成为网络安全中可以主动防卫威胁攻击的一项重要技术。由于深度神经网络在处理高复杂度的网络环境和非线性数据具有很大优势,本文利用深度神经网络对态势感知过程中的两个关键步骤,即态势评估和态势预测进行研究,具体工作如下:第一,针对网络安全态势评估方法缺乏主观性和通过态势要素获取的数据的复杂性和非线性,提出一种基于线性规划的层次分析法结合的改进的引力搜索算法优化的模糊神经网络网络安全态势评估模型。首先,利用线性规划方法结合层次分析法,解决层次分析法需要专家经验给出判断矩阵的主观性太强的问题,并且提高了层次分析法中判断矩阵的一致性。然后,利用模糊神经网络的处理复杂性极高和非线性的数据,可以更好的获得准确的评估值,并且利用改进的引力搜索优化算法优化模糊神经网络评估模型,提高模型收敛速度并解决算法陷入最优的问题。最后通过仿真分析,验证线性规划层次分析法的合理性和更好的一致性和改进的引力搜索算法的优越性,并且可以通过该评估模型获得更好的评估结果。第二,为了快速精确地预测网络安全态势下一时刻的态势值,提出一种基于改进的Nadam算法优化在线更新机制的长短期记忆网络的态势预测方法。一方面,考虑无法更好利用在线评估得到的态势时间序列,提出一种在线更新机制的长短期记忆网络建立的态势时间序列预测模型,模型可以通过在线更新模型参数使代价函数最小化且更有效地提高模型的预测精度。另一方面,为了提高模型网络训练过程中收敛速度较慢的问题,通过Look-ahead方法对Nesterov加速梯度的自适应估计动量算法进行改进,加速模型的收敛。最后,仿真结果分析比较该预测模型不仅提高预测模型收敛速度,还大大地降低模型预测误差。