随着互联网和信息技术的飞速发展,网络安全问题凸显,网络安全态势的感知、评估和预测已成为网络安全领域至关重要的研究方向。传统的网络安全态势呈现要素赋值方法包括自然赋值法和人工赋值法两种,存在着计算量巨大和人为因素影响的问题,进而导致态势评估值受到影响,最终影响态势预测结果。传统的网络安全态势预测方法通常需要大规模数据训练,对缺失数据非常敏感,预测方法缺乏理论支撑和推理过程,预测效率低下且收敛速度慢,导致了态势预测的结果不精准且预测效率低下,无法准确且及时的为网络管理人员提供前瞻性信息,进而导致网络环境处于危险之中。网络安全态势各种信息的可视化呈现通常是不全面的,难以及时全面的反映出网络安全各种信息的状况。为了解决上述一系列问题,本文的研究内容主要包含以下三个部分。（1）提出了一种网络安全态势呈现要素的动态调整方法。该方法是基于随机梯度下降算法优化的模糊层次分析法来对网络安全态势呈现要素权重进行动态调整,对该方法详细的计算步骤进行介绍,网络安全态势呈现要素权重调整是网络安全态势评估中一个重要的研究分支,该方法能够动态调整网络安全态势呈现要素的权重,能够有效为网络安全态势评估提供参考。（2）提出了一种基于并行化深度森林的网络安全态势预测方法。由于传统的网络安全态势预测方法有误差较大、难以训练、缺失数据敏感、训练效率低下等问题,而本方法更容易训练、性能表现佳、效率高且可扩展、支持小规模训练数据、理论分析佳、可并行化部署,能够弥补传统预测方法的不足之处;本文还设计了基于Spark分布式计算引擎对算法实现并行化,以达到快速处理海量数据、高效进行网络安全态势预测的目的。（3）设计了一款网络安全态势的仿真数据可视化系统。首先对网络数据进行仿真实验,然后利用仿真数据对各种网络信息、网络拓扑结构及网络安全态势进行可视化展示及不同粒度的查询,使网络使用人员和网络管理人员能够对网络安全进行把控,采取必要的措施应对网络安全威胁,为网络安全态势各种信息的可视化展示提供参考。