本文提出了一种深度融合知识图谱与神经网络的数据安全态势感知框架，首先构建一个多层异构数据安全知识图 谱，对实体、事件及其复杂关系进行形式化表征，然后设计了一种双通道融合感知模型，一方面，利用图神经网络对知识图 谱的结构化关联进行深度挖掘，捕获威胁传播的潜在路径与高阶依赖；另一方面，采用时序神经网络对实时告警与性能指标 流进行特征提取，感知瞬时异常。同时，通过一种创新的注意力机制融合门，实现静态先验知识（图谱）与动态实时数据（流） 的协同与互补推理。最后，还开展了实验研究，基于真实企业级网络环境数据集与公开威胁情报进行验证，结果表明，与传 统基于规则或单一机器学习模型的方法相比，本框架在威胁检测率上提升约 18.7%，误报率降低至 5.2%以下，并在威胁溯源 与影响面分析任务中表现出色，具备更全面、精准与可解释的态势感知能力，本研究结论为构建下一代主动、智能的数据安 全防御体系提供了新的技术思路与实践路径。 关键词：知识图谱；数据安全；态势感知；神经网络；多模态融合