战术移动自组织网络（Mobile Ad Hoc Network,MANET）是在战场环境下由一组自治的设备或者节点组成的即时性网络,具有不依赖基础设施、易部署、无中心、自组织、高动态等特点。对战术MANET进行节点、网络属性的监测与分析在网络安全性分析与对抗等领域具有重要支撑作用。传统的网络可接入、信息内容可解析条件下的监测分析技术必须以接入和解密为前提,应用场景受到极大限制特别是主动式探测式监测分析技术,存在探测流量大,影响网络运行性能等问题,难以适用于对网络负载敏感及非协作监测等场景。本文围绕不接入目标网络、不解析信息内容条件下的战术MANET非协作、被动式监测与分析问题,重点从节点定位、拓扑推断、骨干网识别和关键节点识别四个方面对监测分析关键技术进行了研究。（1）节点定位针对传统定位手段侦测范围有限,难以定位区域内所有战术MANET通信节点的问题,提出了通过播撒传感器作为监测节点实现对特定区域内战术MANET节点定位的解决方案。首先基于MDS-MAP（P）算法完成监测节点相互之间的协作式定位,然后根据监测节点对目标节点信号的感知结果构建映射区域,最后使用本文提出的基于斐波那契散枝搜索（Fibonacci Branch Search,FBS）的定位方法寻求映射区域内适应度值最优的搜索点,确定搜索点坐标,完成目标节点定位。实验结果表明,与同类方法相比,该方法具有更高的定位精度。（2）拓扑推断在目标节点位置信息已获取的基础上,根据能否监测到目标节点的信号信息（信号发送时刻和信号持续时长）,研究了不同条件下的拓扑推断方法。（1）对于信号信息可获取的情况,提出了基于帧间隔特征（Interframe Space Feature,IFSF）分析的拓扑推断方法。首先提取带标签数据帧间隔统计量为特征,然后采用K最近邻（K-Nearest Neighbor,KNN）算法实现拓扑推断。实验结果表明,该方法的推断准确率明显高于同类方法;（2）对于无法获取信号信息的情况,提出了基于关键传输距离（Crtical Transmitting Range,CTR）分析的拓扑推断方法。首先根据网络的连通率计算CTR,然后根据CTR实现拓扑推断。实验结果表明,该方法能近实时地完成拓扑推断,可以有效应对拓扑的动态变化。（3）骨干网识别在网络拓扑推断结果的基础上,针对网络拓扑变化的实时性,研究了不同情况下的骨干网识别方法。（1）针对拓扑变化较慢的准静态场景,提出了基于拓扑势和统一连通支配集（Topological Potential-Unifying Connected Dominating Set,TP-UCDS）的骨干网识别方法。首先求取节点的拓扑势作为静态支配因子,然后根据统一连通支配集的相关规则完成骨干网的识别。实验结果表明,该方法识别出的骨干网能够有效覆盖不同条件下（指标不同或骨干网构建方法不同）构建的骨干网;（2）针对拓扑变化较快的高动态场景,提出了基于动态支配因子和统一连通支配集（Dynamic Dominating Factor-Unifying Connected Dominating Set,DDF-UCDS）的骨干网识别方法。首先通过时间窗口结合衰减系数融合不同时刻节点的静态支配因子获取动态支配因子,然后结合统一连通支配集实现骨干网动态识别。实验结果表明,该方法不仅可以有效识别出战术MANET处于群组移动状态时网络中相对稳定的骨干网,而且识别出的骨干网具有更长的生命周期,能够有效应对战术MANET拓扑的动态变化。（4）关键节点识别在骨干网识别的基础上,针对不同的网络毁瘫机理,研究了不同视角下的关键节点识别方法。（1）从网络割裂的角度提出了基于图信号处理（Graph Signal Processing,GSP）的关键节点识别方法。首先对候选节点集进行图信号分析,然后利用图信号的平滑性完成节点的分组,最后求取不同组节点间链路中断的最小点割集作为识别结果。实验结果表明,在移除相同数量节点的情况下,该方法识别出的关键节点被移除后对网络效能的破坏程度明显大于其他方法;（2）从级联失效的角度提出了基于差异化负载均衡（Differential Load Balancing,DLB）的关键节点识别方法。首先构建差异化负载-容量模型,然后以级联潜力为衡量指标初步筛选关键节点,最后结合和声搜索算法完成识别结果的优化。实验结果表明,在既定破坏效果约束下,该方法推荐的移除节点数量少于其他方法。