目前，网络中承载的数据呈现了爆炸性增长，网络中知识获取的难度进一步加大，业务传输的服务质量（QoS）也难以保证。传统网络在信息获取与数据融合上已经难以满足用户的需求，在这种背景下，认知网络应运而生。认知网络作为下一代网络的研究热点，能够通过态势感知获取网络信息，并根据网络态势实时动态的调整网络配置，从而为网络的QoS传输提供保障。目前，关于认知网络QoS态势融合的研究相对较少，对QoS态势信息的表示方法也不多见。本文在分析现有知识表示与数据融合处理机制的基础上，重点开展了对认知网络的知识表示与QoS态势融合的研究。首先，从知识表示的角度出发，对认知网络QoS态势领域的具体概念进行提取，提出了一种认知网络QoS态势本体构建模型。基于这个模型，采用protégé软件对本体进行建模，通过三元组记录网络运行的实时数据，并结合本体模型一起存入本体知识库中。同时，设计了本体查询方法，并给出了查询结果。通过对认知网络QoS态势进行本体构建，为后续的融合提供了理论基础。其次，从局部融合的角度出发，提出了基于模糊推理的认知网络局部QoS态势融合算法。通过对认知网络QoS态势级别进行定义，并给出链路平均QoS参数隶属函数，采用QoS态势模糊推理规则，得出对各种QoS参数的融合结果。仿真表明，该算法能够确定各种业务传输的QoS态势级别，实现较好的融合效果。最后，从全局融合的角度出发，提出了基于D-S证据理论的认知网络全局QoS态势融合算法。通过改进原始D-S证据理论模型，推导了一种能够解决冲突证据情况的融合公式，并采用投票机制求解D-S合成公式的初始概率。在此基础上，由多个局部网络的QoS态势得出全网的QoS态势。仿真表明，当证据之间冲突较大时，该算法的融合效果更为合理，同时也能为用户分析全网的QoS态势提供一定的理论基础。