随着5G时代的到来,网络空间中情况愈加复杂。作为一种实时监控系统,入侵检测系统可以在发现网络出现异常情况时及时发出预警,提示危险情况。基于网络流量数据对网络攻击的识别,高检测准确率、低误报率一直是入侵检测系统追求的目标。机器学习和深度学习方法可以学习网络流量数据中潜在的规律模式,帮助入侵检测系统高效识别网络异常行为。在建立入侵检测模型时需要考虑很多问题,如分类器的选取、超参数设置和模型训练需要消耗的计算资源等。支持向量机（Support Vector Machine,SVM）结构简单、分类性能强,卷积神经网络（Convolutional Neural Networks,CNN）和长短时记忆网络（Long ShortTerm Memory,LSTM）解决复杂问题能力强、适应性好,但这三种模型都易受参数影响,利用智能算法的强大寻优性能,帮助模型找到最佳参数组合,设计基于改进的麻雀搜索算法（CWTSSA）和SVM的入侵检测模型、基于CNN-LSTM的入侵检测模型以及基于CWTSSA优化CNN和CNN-LSTM的入侵检测模型。本文对麻雀搜索算法（Sparrow Search Algorithm,SSA）优化后得到CWTSSA算法,然后使用CWTSSA算法对SVM、CNN以及CNN-LSTM模型的参数进行寻优,提高算法的检测性能。本文主要研究基于麻雀搜索算法、模型参数优化、模型融合等技术的入侵检测方案,具体如下:（1）针对SSA算法在迭代后期时种群多样性不足的问题,利用Circle混沌映射函数具有均匀性和遍历性的特点,对麻雀种群进行初始化,影响麻雀种群的初始位置信息,丰富种群多样性;针对SSA算法在寻优搜索的过程中极容易陷入局部极值空间的问题,在算法公式中引入自适应惯性权重因子,并在发现者麻雀位置更新公式中加入上一代全局最优解,使算法不易陷入局部空间;针对SSA算法在迭代后期仍有受困于局部极值空间的问题,引入T分布思想,利用学生变异算子对麻雀个体进行扰动,使麻雀个体能够跳出局部空间,提高算法全局寻优能力。测试结果表明,CWTSSA算法在收敛速度、稳定性和求解精度方面展现出一定优势,验证了本文对麻雀搜索算法优化的可行性,CWTSSA算法可以成为解决优化问题的有效工具。（2）考虑SVM模型的检测准确率和泛化能力易受惩罚参数C和核参数g的影响,提出一种基于CWTSSA-SVM的入侵检测模型。首先,对参数C和g采用实数编码方式成为麻雀个体,再以分类错误率为适应度函数,使用CWTSSA算法对SVM参数组合[C,g]进行迭代寻优;然后,在训练数据集上训练模型,将最佳适应度值的麻雀个体解码后的数值赋予两个参数,得到最优检测模型;最后,在公开数据集KDD99测试集上进行正常类与异常类的二分类实验。从实验结果来看,本文提出的基于CWTSSA-SVM入侵检测模型可以保证较高准确率、较低误报率,并且从迭代收敛曲线可以看出,该模型具有较快的检测速度,体现出参数优化的必要性,证明该方法可以帮助提高入侵检测性能。（3）考虑网络流量数据具有时间连续性和空间局部性,以及CNN和LSTM模型在特征提取方面具有的优势,将CNN和LSTM两个模型串联融合,提出一种基于CNN-LSTM的入侵检测模型;考虑深度学习模型的检测效果易受参数影响,利用CWTSSA算法较强的寻优性能,对模型学习率等参数寻优,提出基于CWTSSA-CNN和CWTSAA-CNNLSTM的入侵检测模型。从入侵检测五分类的实验结果来看,本文所提出的基于CWTSSA-CNN、CWTSSA-CNN-LSTM的入侵检测模型可达到较高准确率,较低误报率,并且算法检测速度加快,证明本文所提出的入侵检测方法具有一定的有效性和实用性。