随着互联网的迅速发展,人类已经步入一个智能时代,网络连接让人与人,人与物,物与物之间的关系更加紧密,但是与此同时也引发了诸多网络安全问题。由于网络被入侵,个人隐私可能会被侵犯,企业重要信息可能会遭到泄露,更加严重的是可能会对国家安全造成威胁。传统的网络防御方法对待入侵行为只能被动地进行安全防御,对于处理当前复杂多样的网络安全问题却无能为力。入侵检测技术是一种主动对当前网络安全进行保护的技术,该技术针对传统网络安全保护技术存在的被动防御缺点进行改进。入侵检测方法研究中,本质就是将其转换成对入侵行为进行分类的问题。本文主要工作如下:1)论文将经过ALO(Ant Lion Optimizer)算法优化后的深度置信网络(Deep Belief Network,DBN)应用于入侵检测的特征提取,一种通过ALO算法优化的DBN,使用数据集进行实验,得出该方法能有效改善系统特征提取的效果。2)论文提出了一种结合DBN和极限学习机(Extreme Learning Machine,ELM)的改进深度学习算法。利用集成学习思想对每层神经元进行投票处理,决定最终的判决结果。深度置信网络算法是一种常见的深度学习模型而且性能较好,然而该算法训练分为两个部分,首先进行预训练,然后再进行微调,这两部分需要耗费比较久的时间。ELM算法是一种单隐层神经网络,其优点是模型训练速度快并且泛化性能优。然而,经过研究显示,ELM算法要想获得较好的预测效果,通常需要增加隐含层的神经元个数,这就导致训练该模型,所需内存也会变大。通过对两种算法的研究,由于算法模型中间层信息利用不充分,提出了一种借鉴集成学习思想的improved-DBN-ELM算法,并分别将DBN,ELM和DBN-ELM,improved-DBN-ELM算法在入侵检测数据集KDDCUP99进行仿真应用,结果显示improved-DBN-ELM算法可以有效地提高入侵检测的准确率。