随着网络技术的高速发展和网络类型的增长,互联网的结构和各种性能参数的变化也越来越复杂,为了能够更好地设计、控制和管理网络,我们必须及时而且准确地了解和掌握网络的内部特性,高速感知处于不断变化中的各种网络状态参数以及网络状态参数的动态变化规律,获得整个网络状态的多域多层次时空描绘。网络层析成像技术不需要网络节点参与协作,主要通过发包探测的方式进行端到端的路径级参数测量,然后利用统计学的方法,对网络内部链路的参数进行估计,克服了传统网络测量在实际应用中存在的很多缺点。然而,现在网络层析成像的研究大多基于“网络的状态参数在测量周期内不变”这一假设,很难准确地对网络链路参数的非平稳过程进行描述。非平稳网络层析成像技术可以获得更为全面准确的网络状态参数及其变化,从而优化网络系统的设计,提高管理服务水平。本文研究非平稳网络层析成像问题,通过解决部分关键理论问题,加强现有方法解决实际网络问题的能力。为了以较小的代价获得时变链路状态的准确描述,我们需要设计一个合理并且可靠的非平稳网络模型来估计链路参数。考虑到实际网络的链路参数随时间连续且随机变化,时变链路参数估计是波形估计问题,而不再是参量估计问题,我们可以使用最佳滤波理论来求解,通过研究其中的关键技术,为非平稳网络层析成像的研究提供一种新的思路。本文基于最佳滤波的相关理论,提出了两种时变链路丢包率的估计方法：基于时空关联的最优化估计方法和卡尔曼滤波估计方法。最优化估计方法使用状态转移矩阵来表示链路丢包率的时空关系并进行预测,然后利用最小二乘算法来修正先验估计,估计结果满足最小均方误差。卡尔曼滤波估计方法以卡尔曼滤波模型为基础,利用先验数据(通过背靠背包测量或者其它方式得到的链路丢包率数据)对方程组系数进行训练,通过时间更新(先验估计)和测量更新(后验估计)两个过程,实现了非平稳网络环境下链路丢包率的递推估计。两种方法在估计阶段不需要发送大量的背靠背探测包,减小了发包对真实链路的影响,能够很好地逼近链路真实丢包率随时间变化的曲线。我们对本文提到的两种时变链路丢包率估计方法进行了NS2仿真,仿真结果验证了两种方法用于估计非平稳网络环境下链路丢包率的有效性和正确性。同时我们根据仿真结果,对本文给出的估计方法做了进一步的比较。