随着信息科技的快速发展，当4G、WiFi和WiMax的技术被成功地应用并接入网络，IP网络、移动互联网络终端用户呈指数规模上升，这使得当前网络变得越来越复杂。此外，网络流量呈现出多样性并同时展示出许多新的特点，越来越多的异质性使其更难以管理。流量矩阵作为运营商管理网络重要的输入参数，常常被用来进行网络管理、路由优化、拥塞控制、网络检测、网络配置，负载平衡、流量侦测、故障诊断等。然而，在大规模网络中流量矩阵的直接测量非常困难甚至不可能。链路测量矩阵、路由矩阵和流量矩阵之间关系可以用约束方程表示。在大规模网络中，由于OD(Origin-Destination)对的数目远远大于网络中的链路数目，约束方程表现出欠定性，具有无数解，这使流量矩阵估计问题具有高度的病态特征。如何克服这种病态性以准确估计流量矩阵是目前流量矩阵估计领域主要挑战。　　对于流量矩阵估计问题，不仅要考虑流量矩阵满足的约束方程，还要考虑到流量矩阵本身具有的特性。随着网络流量矩阵研究的发展，研究者发现流量矩阵具有多种复杂多变的特性，如时间相关性、空间相关性、自相似、短相关、长相关、重尾分布等特性。本文提出流量矩阵的Markov-BPNN估计方法来解决流量矩阵估计问题。首先，针对约束方程的病态性和考虑到流量矩阵本身具有的时间相关性，本文提出将流量矩阵满足的约束方程转化为链路测量矩阵被随机矩阵和路由矩阵约束的方程，通过研究随机矩阵的Markov过程获得流量矩阵的Markov估计方法。该方法不仅避免了约束方程的病态性，并且可以准确捕获流量矩阵体现的时间相关性特征。其次，在随机矩阵的Markov过程的流量矩阵估计的基础上，采用目前应用最广泛的按误差逆传播算法训练的多层前馈神经网络即BP神经网络，形成流量矩阵的Markov-BPNN估计方法使估计值进一步逼近真实值，提高估计的精度。仿真实验表明，Markov-BPNN方法的流量矩阵估计值与准确度较高的广义重力模型(generalTomogravity)的流量矩阵估计值对比，Markov-BPNN方法具有更高的准确精度。最后，在有随机干扰链路流量矩阵的情况下，验证模型的实用性、准确性和健壮性，仿真实验表明，即使有随机干扰，Markov-BPNN估计方法仍然表现出良好的性能。