近年来,随着信息技术的不断发展,网络规模的逐步扩大,网络化应用也渗透到社会的方方面面。但与此同时,面临的网络威胁不断增加,遭受网络攻击的事件也时有发生,而传统的基于边界的安全防护措施不能很好地掌握网络安全的趋势。针对这一问题,本文结合神经网络在网络安全方面的应用优势,从态势评估以及态势预测两方面开展研究,提升网络安全态势的感知和预测能力。首先,针对DNN在攻击检测上存在检测精度低、误报率高等问题,本文提出了一种融合批量规范化和深层神经网络的攻击检测模型。该模型在深层神经网络的隐藏层中添加了批量规范化层,优化隐藏层的输出结果,同时采用Adam自适应梯度下降优化算法对BNDNN参数进行自动优化,以提高模型的异常检测能力。通过分析不同网络攻击对安全状况的影响,构建基于攻击因子的态势评估指标,该方法利用受到攻击的情况来体现主机当前态势状况,再根据网络中所有主机的态势信息综合计算整个网络的态势值并量化得出态势等级,实现了网络安全态势的感知。然后,通过分析网络安全态势具有时序性的特点,结合上述获得的安全态势值,采用长短期记忆网络(LSTM)来解决态势预测问题;同时利用遗传算法(GA)优秀的学习能力以及全局搜索能力来优化LSTM的网络结构参数,建立了基于GA-LSTM的态势预测模型,实现了对网络安全态势的预测。最后,为验证方法的有效性,本文使用NSL-KDD数据集对态势评估进行了实验,并与SNN,KNN,DNN等模型进行对比,证明了态势评估模型的可行性、有效性;同时本文还采集了实时网络数据,利用真实的网络数据再次验证了态势评估模型的有效性;通过态势评估后的态势数据,用GA-LSTM完成态势的预测,并与标准化LSTM网络、时间序列分析法进行对比,结果验证了本文预测模型的有效性。