随着网络规模的日益增大和复杂,为了能够对网络性能进行及时有效的检测和调控,实时准确的获取网络拓扑结构具有非常重要的意义。基于网络层析成像的拓扑估计方法可以在不需要网络内部节点协作的情形下,通过端到端测量的测量方法获取路径状态参数,并根据路径状态参数的统计特性对网络拓扑结构进行估计。传统的网络层析成像方法都是以在整个测量周期内网络状态保持平稳为前提的条件下进行拓扑估计的,但是在实际网络环境中,由于链路的流量是具有突发性的,使得前提条件不成立,从而使得最终得到的拓扑估计结果误差较大。当前存在的层析成像方法大都是利用一个度量参数对网络拓扑进行估计,而单个度量参数所蕴含的信息不够丰富,这使得仅仅利用一个度量对网络拓扑进行估计得到的拓扑结构不够准确。针对以上问题,本文提出了一种可以在非平稳网络环境下进行拓扑估计的多度量拓扑估计方法,主要工作包括以下两方面:1)基于序列后向搜索的度量优选方法:由于不同目的节点对在共享路径上的时延变化是相同的,本文通过以时延信号为输入利用小波包分解提取得到多个共享路径长度的度量参数,但由于并不是所有的度量对网络拓扑估计都是有用的,因此本文提出了一种基于序列后向搜索的度量优选方法,通过利用序列后向搜索算法,对所有利用小波包分解获取得到的度量进行优选,最终得到一组最优的度量,并以此为基础组件多度量参数。2)基于半模糊聚类的非平稳网络拓扑估计方法:当前存在的网络层析成像方法大都通过节点融合或者分层聚类的方法进行拓扑估计,而这些方法都存在节点融合过度或者融合不足的缺点,为了能够准确的对网络拓扑进行估计,本文提出了一种基于半模糊聚类的拓扑估计方法,该方法以多度量参数作为输入,对目的节点进行动态聚类,并从中选择最佳的聚类结果作为估计出的网络的拓扑结构。本文利用NS2对提出的方法进行仿真。仿真结果验证了在非平稳网络环境下,通过特征选择构建的多度量参数在非平稳网络环境下能够更准确的反映出非平稳网络的时变特性。同时,仿真结果表明,以多度量参数为输入的基于半模糊聚类的网络拓扑估计方法,能够有效地估计出网络拓扑结构,并且比基于分层聚类的网络拓扑估计方法得到估计结果具有更高的估计精度。本文还利用Planet Lab在实际的网络环境中验证了该方法的正确性和有效性。