随着互联网的飞速发展，网络的服务和网络的架构也在发生深刻变化，要成功设计、控制和管理网络，就需要了解和掌握网络的内部特性(包括各种网络特征参数和拓扑结构)。如何在日益复杂的互联网网络环境中实时、精确测量网络性能已成为国内外科学界和工业界共同关注的前沿科学问题之一，该问题是网络行为学的基本研究内容，也是网络优化设计、异常检测与分析、网络监测与评估等工作的基础。传统的网络测量方法需要通过网络节点间的协作来求解，但是随着网络朝着分布化、非协作、异构化管理和基于边缘控制的方向演变，我们发现传统网络测量方法不能完全满足各种应用对网络测量的要求，针对某些特定情况，我们还需要研究能够不依赖网络中间节点协作的网络测量方法。网络层析成像将医学和地震学等领域成功应用的层析成像理论和方法应用于通信网络的测量问题，能够在没有中间节点协作的条件下，将网络测量问题转化为反问题的求解，估计得到大尺度网络内部的各种性能统计信息，是目前备受国际学术界关注的网络测量新技术之一。本文系统地回顾了网络层析成像的起源与各个阶段所取得的重要成果，系统地对网络层析方法进行了分类，指出了在当前网络环境下进行网络层析成像所面临的一些主要问题；从网络层析成像解的稳定性、唯一性、求解实时性和非线性网络层析成像问题出发，针对网络层析成像中所面临的几个实际问题进行了深入研究，在以下几个方面取得了一些有价值的研究成果：1．网络链路时延估计的层析成像方法研究提出了一种基于递归多感知器的网络链路延迟追踪算法，该算法能够在没有任何先验信息条件下追踪非平稳网络链路平均延迟的时变行为，估计链路延迟的概率密度分布，克服了以往方法对网络链路先验模型的依赖，很大程度提高了解的精度和求解的稳定性、实时性。2．网络链路丢包率估计的层析成像方法研究提出了基于包群的单播链路丢包率估计层析成像方法，在根节点一次性向所有叶节点发送探测包群，包群中相邻节点或相近节点可以自由组合成包对、三包组、四包组等，获得路径的丢包率和条件丢包率，构成超定方程组；为了精度和计算复杂度考虑，利用基于奇异值分解的广义逆方法求解超定系统方程得到最后链路的丢包率。该方法与现有的三包组方法相比，可以在探测包数量相同的情况下，通过自由组合，构成包含更多方程的超定方程组，提高了解的精度和稳定性。3．大尺度网络流量矩阵估计方法研究提出了一种基于递归多感知器大尺度网络流量矩阵的追踪算法，首先引入了黑盒子模型对流量矩阵估计问题进行无先验建模；其次，利用递归神经网络对模型进行求解；最后得到整个网络流量矩阵的追踪算法。该方法克服了对先验模型的依赖，提高了估计精度、稳定性和实时性，还便于采用并行算法或网络分布式算法进一步提高求解的实时性。4．网络拓扑结构估计方法研究提出了一种快速的网络拓扑结构的分层聚类估计算法，通过引入了基于高斯混合模型的递归算法，改进了网络拓扑结构估计中相似性量度聚类过程，可以在不降低估计精度的前提下，提高了网络拓扑结构估计的实时性。5．网络流量分类方法研究提出了一种基于混合高斯的网络流量半监督分类方法。与有监督分类方法相比，半监督方法只需要利用少部分的标识数据(大约10％)进行分类，由于标识的数据获得经常是困难的、昂贵的或者花费大量的时间，半监督方法非常适合具体的应用，具有更好的实时性；与无监督分类方法相比，由于使用标识数据进行聚类团的类别确定，具有更高的分类精度。同时，分析了影响半监督分类方法性能的几大因素，优化了半监督分类方法的参数配置，进一步提高了半监督分类方法的分类性能。