近年来,伴随着网络技术的飞速发展,网络的规模也在不断扩大,网络的结构变得极为复杂。网络的管理者为了便于更好的监测网络的使用状况并合理的优化网络,必须清楚的了解互联网络的规模及各部分的层次结构。网络拓扑测量通过在互联网中部署多个探测节点,以主动或被动的方式搜集拓扑相关的信息,进而采用统计推断、最优化等手段恢复出网络拓扑结构。网络拓扑测量是很多网络优化、控制和管理等工作的基础,因此是学术界和工业界广泛关注的前沿课题。网络拓扑测量涉及两方面问题,一是如何有效地搜集拓扑相关信息,二是如何从拓扑相关信息中恢复出拓扑结构。现有的研究主要集中在拓扑恢复方面,而对拓扑信息搜集的研究较少,一般采用随机部署节点、随机探测的方式搜集。但在实际中,可用的探测资源（源节点个数、探测流量）往往是有限的,因此如何利用有限的探测资源搜集尽可能多的拓扑信息也是需要关注的问题。本文针对提高拓扑探测中的探测效率问题,从探测节点部署和探测流量的发送两个方面开展研究,主要创新概括为如下两方面:（1）针对网络探测源节点部署问题,本文提出了基于节点重要性的探测节点部署方法。该方法首先通过Traceroute探测获取网络中的部分拓扑结构信息,并利用复杂网络拓扑中相似的度分布特征,通过利用已知的网络部分拓扑,恢复出网络的随机完整拓扑模拟,并根据估计出的完整网络拓扑,计算网络拓扑中各节点的重要性以判别对网络中影响较大的节点并排序,通过多次统计,进而判别出所应部署的网络探测节点。该方法使用NS3仿真工具生成路由器级拓扑并进行测试,在使用部署相同数量源探测节点的条件下,通过该方法选择出的网络探测源节点所在的最短路径树能够覆盖到更多的网络拓扑结构。（2）针对现有技术所探测到的网络中节点的覆盖率较低的问题,本文提出了一种基于梯度引导的高效网络拓扑探测方法。本文搭建神经网络,用来分析初始网络探测中所获得的目的节点IP地址与途经节点IP地址分类的映射关系,并利用神经网络对于输入的梯度信息,来计算并生成下一步探测的目的IP的方法。该方法在NS3仿真工具以及日本真实网络中进行测试,通过对使用该方法所产生的目的IP地址进行Traceroute探测,与从待探测空间中随机选取相同数量的目的IP地址相比,能够覆盖到网络中的更多节点分类。