随着网络的快速发展，网络承载的业务种类不断增加，用户对业务QoS的要求越来越高，现有IP网络提供的“尽力而为”服务无法有针对性智能地满足用户和业务的端到端QoS需求。针对这一现象，学术界提出了认知网络的概念。认知网络是具备认知能力的网络，其认知过程能够动态感知当前网络态势，并利用感知到的态势知识，根据相应的端到端优化目标，自适应地调整网络配置，并应用到未来的智能决策当中。能否有效保障或提高端到端QoS效能是认知网络区别于其它传统网络的关键所在，认知策略是否有效也要通过对端到端QoS监测来衡量。为了更好地实现认知网络对端到端QoS的监控，本文对网络的端到端态势水平进行量化分析，建立端到端指标体系，进行端到端态势状况评估，预测端到端态势发展。本文具体工作如下：第一，本文借鉴C3I系统思想，根据数据融合Level2层与端到端态势感知过程的相似性，参照Endsley数据融合模型提出了一种认知网络态势感知模型。为了全面描述网络端到端态势特性，分别从性能态势、稳定态势、可用态势等三个维度出发，构建了一种多层次的认知网络态势指标体系。第二，网络端到端效能评估是认知网络研究的重要基础，本文在认知网络态势指标体系的基础之上，提出了一种基于BP改进的神经网络态势评估方法，旨在解决端到端海量数据到态势状态之间的映射关系。针对标准BP算法收敛速度慢，容易陷入局部最优解的不足，利用自适应步长法和模拟退火算法对BP学习过程进行了改进，提高了认知网络态势评估的效率。实验仿真中借助该方法对指定的端到端链路进行监测，并动态加入新增业务以考察其对网络端到端态势的影响。仿真结果表明本文所提出的方法能够准确反映网络态势状况。第三，完整的认知网络态势感知过程包括对当前网络态势的感知以及对未来网络态势的预测。针对传统网络态势感知存在评估滞后性的现象，本文研究了网络态势感知的预测问题。在认知网络态势指标体系和端到端态势评估基础上，引入了一种基于粒子群优化的-SVM网络态势预测方法，通过仿真验证了该方法能有效地预测网络的实时状态。