本文将医疗信息系统安全作为研究对象,将现代化的深度学习技术应用于入侵检测系统,进而设计一个以深度学习为核心的入侵检测系统,最大化的体现深度学习(DL)中无监督学习的优势,并在融合算法的基础上对入侵行为进行精准的检测。本研究将卷积神经网络和长短期记忆循环神经网络进行融合,之后将融合后的网络对多种攻击行为进行检测,进而分析多种输入维度、卷积核大小和LSTM的记忆模块对检测性能产生的实际影响,最后得到的数据显示,该网络可以有效的检测出非法攻击行为,这为网络入侵检测领域的发展提供了新的方向。本文首先介绍了本次研究的价值意义以及国内外针对该课题的研究情况;对相关概念进行探讨,具体分析了入侵检测技术的关键点、防火墙概念、防火墙分类、卷积神经网络结构等多个方面;随后,对某医疗结构医疗信息系统建设情况进行探究,详细分析了医院现有的入侵检测方法和系统安全需求以及系统安全管理目标等内容,发现现有的入侵检测系统存在检测准确率低,效率不高的情况;然后针对其现有的入侵检测系统中存在的缺陷进行优化设计,设计了一个以卷积神经网络为核心的网络入侵检测方法,并从数据采集、Bi-LSTM模型设计等多个方面进行深入的研究。最后进行仿真测试,得出在输入维度和卷积核为特定值得情况下准确率最高,误报率最小,效果最明显,可以证明本次优化设计确实提高了检测攻击行为的准确性,为之后网络入侵检测领域的发展提供了新的思路。