随着信息时代网络的不断发展,恶意攻击或破坏造成的网络安全事件越来越普遍,网络和信息系统面临着众多网络攻击的威胁。网络安全态势评估（network security situation assessment,NSSA）可以对网络中的各种活动进行识别、理解及评估,以掌握整个网络的安全状态,支持合理的安全响应决策。然而,目前网络安全态势评估方法存在特征提取困难、攻击检测准确率低等问题。为解决上述问题,本文对网络安全态势评估方法、深度学习技术进行详细分析,并进一步讨论如何将深度学习应用于网络安全态势评估,在此基础上提出一种基于深度加权特征学习的网络安全态势评估方法。提出的基于深度加权特征学习的网络安全态势评估方法包括态势提取、态势分析、态势评估3部分。态势提取用于将复杂、多样的网络流量数据处理为符合深度学习模型输入要求的格式。态势分析用于检测并分析处理后的数据,为提高威胁检测效果,构建一种由并行特征提取网络（parallel feature extraction network,PFEN）和注意力机制改进的Bi GRU网络（attention-based bi-directional gate recurrent,ABi GRU）构成的PFEN-ABi GRU模型。该模型通过PFEN模块差异化地提取不同网络威胁的关键信息并将提取的特征与原始信息融合,再将融合后的特征输入至ABi GRU模块,完成对网络流量中关键特征的加权,达到快速、精确地检测网络威胁的目的。态势评估用于对态势分析过程中得到的检测结果进行分析量化,计算网络安全态势值以评估网络安全态势。实验部分采用多组实验对本文方法的有效性进行验证。通过实验验证态势评估中PFEN-ABi GRU模型的有效性,证明PFEN-ABi GRU模型在精确率、召回率和F值等指标上相较于其他威胁检测模型的性能提升效果。通过与典型网络安全态势评估方法的对比实验,验证了本文方法的可靠性与可行性。