随着互联网技术的不断发展,计算机网络安全问题日益突出,网络入侵检测和漏洞识别技术也对实时性和准确率提出了更高的要求。深度学习算法因其较高的泛化能力和自适应性在工业、医疗等领域获得广泛应用。因此,本文基于深度学习分别提出了ACNNBN-LSTM网络入侵检测算法和Text ACBL漏洞识别算法,以提高网络入侵检测与漏洞识别的分类精度。具体研究工作如下:（1）针对现有网络入侵检测模型误报率、漏报率较高等问题,建立了基于ACNNBN-LSTM的网络入侵检测模型。该模型从时空特征角度出发,提出基于注意力机制的卷积神经网络ACNNBN模块提取网络流量的空间特征,并引入长短期记忆神经网络提取网络流量的时间特征。实验结果表明,该模型在CIRA-CIC-Do HBrw-2020数据集二分类的准确率为99.41%,有效提高了网络入侵检测分类准确率。（2）针对传统文本向量特征表示存在高维性和稀疏性等不足,提出了基于TFI-MI-W2V的文本向量表示算法,该算法从文本特征融合角度出发,基于自然语言处理技术,引入词频-逆文本频率计算特征词矩阵,获取文本关键特征词互信息,融合文本单词重要性、相关性等特征计算Word2Vec权值,实现文本核心信息的有限维数值化映射。（3）针对现有漏洞分类模型准确率、泛化能力较低等缺点,建立了基于TFI-MI-W2V的Text ACBL漏洞自动化识别模型。该模型从文本特征提取角度出发,提出卷积注意力CA模块嵌入一维卷积神经网络提取漏洞文本空间特征,同时引入双向长短期记忆神经网络获取漏洞文本上下文语义信息。实验结果表明,相比其他五种漏洞识别算法,该算法在2011-2021 NVD漏洞库五分类的宏F1分数、宏精确率等四类评估指标中表现最优。本文研究工作较好地解决了当前网络入侵检测和漏洞识别面临的检测准确率、识别率较低以及文本向量表征高维性、稀疏性等问题。实验结果验证了本文所提算法的有效性和可行性,具有一定研究价值。