为了有效地控制、管理和优化网络，需要准确及时地了解各种网络内部性能参数，如：网络拓扑结构、链路丢包率、链路时延等。网络层析成像是一种有效获取网络内部性能参数的方法，该类方法不需要网络内部节点的协作，通过端到端的测量就可以估计出网络内部性能参数。传统的网络层析成像通常假设链路性能参数在整个测量周期内是不变的，即网络链路的状态是平稳的，因此被称为平稳网络层析成像。但真实网络流量的高突发性会使得链路性能参数不断发生变化，故传统方法估计的结果与实际情况不完全相符。非平稳网络层析成像抛开了链路状态平稳的假设，估计时变的网络内部性能参数，从而能得到更准确的估计结果。本文针对非平稳网络链路丢包率估计问题，首先介绍一个时变链路丢包率估计的框架。该框架通过已知的先验信息和背景流量估计时变链路丢包率，其优点是不用发送任何探测包或只需在训练阶段发送少量探测包即可获得时变链路丢包率。因此可以在给网络不带来任何负担或带来尽可能低负担的条件下，监测网络链路丢包率的变化情况。其中，先验信息的获取采用吉布斯采样和发送背靠背探测包两种方法，且后者比前者得到的先验信息更准确。基于上述网络链路丢包率估计框架，本文对时变的网络链路丢包率估计方法进行研究，主要创新工作包含两个方面：（1）提出基于粒子滤波的时变链路丢包率估计方法。由于粒子滤波能够处理非线性非高斯的问题，我们将它应用到非平稳网络丢包层析成像中来估计时变链路丢包率。该方法首先从获得的先验信息中提取粒子集，利用观测方程对粒子进行权值估计，最后将粒子集求加权平均后的值代入状态转移方程就可以得到时变链路丢包率。（2）提出时变链路丢包率快速估计方法。由于基于粒子滤波的估计方法在估计复杂拓扑时算法复杂度高，为了均衡算法复杂度和估计精度，将树拆分方法应用于时变链路丢包率的估计。该方法首先将复杂拓扑拆分成一系列简单的子树，然后分别对每棵子树采用基于粒子滤波的估计方法，最后根据复杂拓扑与子树链路之间的关系得到复杂拓扑链路的时变丢包率，实现了链路丢包率的快速估计。我们采用NS2仿真工具对本文提出的两种方法进行了仿真，仿真结果验证了两种方法都能有效地追踪网络链路丢包率的变化情况，且都比平稳方法估计结果更优。同时验证了采用发送背靠背探测包训练得到的先验信息比采用吉布斯采样估计得到的先验信息更准确。最后对两种方法做出了对比，确定了各种的运用场景。