伴随互联网技术的持续快速进展,网络给日常生活提供极大方便的同时,对于互联网威胁入侵的样本数量也在急剧递增。因此,网络信息安全检测在保护日常生活和维持互联网信息安全方面影响深远。常用的网络信息安全防卫体系是入侵检测系统。它将借助软件或者硬件工具来监视计算机网络和主机,当检测到异常流量时,会触发某些限制操作,并将异常上报给网络安全管理员,但目前的入侵检测系统在面对不均衡样本数据时存在检测率低,误报率高的问题。基于此,本文把神经网络框架模型引进到入侵检测领域里面,用于解决其所面临的数据不均衡难题以及提高网络入侵检测的功能。本课题研究的内容重点囊括如下:（1）对目前网络空间和信息安全的问题进行概括和分析,详细的阐明了当前国内外环境针对入侵检测技术的研究近况。论述了入侵检测领域的不同归类及其实际应用,同时也介绍了神经网络的结构及其进行特征学习的原理。（2）针对入侵检测数据集中存在的数据不均衡所带来的神经网络模型无法充分学习的难题,提出了一种类平衡和CNN结合的网络入侵检测方法。该方法首先采用随机过采样算法ROS对少数类流量样本做过采样操作,其次利用高斯混合模型GMM对多数类流量样本做聚类欠采样操作,进而在平衡的数据集上通过CNN对网络流量样本中的高维度特征属性进行挖掘,最后采用softmax回归对数据进行归类。利用原始的未经平衡处理的数据集以及经过不同类平衡算法处理的CICIDS2017数据集分别对模型进行验证测试。通过仿真实验表明,类平衡算法ROS-GMM和CNN结合的网络入侵检测方法在维持较高的整体入侵准确率的同时,对于少数类流量样本数据的检测率有了更高的提升,从而验证了该方法具有较好的实用价值。（3）鉴于神经网络在训练入侵检测模型时容易出现过拟合以及模型泛化能力差的问题,提出一种基于弹性网的深层降噪自编码网络入侵检测方法,通过多层次的DAE框架端到端叠加而成深度神经网络模型,同时在损失函数中加入弹性网正则化对模型进行优化,并且利用Adam算法对目标函数进行动态自适应调整,降低非重要特征的更新频率,避免模型陷入局部最优,另外在模型的训练流程中,仅采用训练集中部分正常流量样本数据进行训练从而确定重构误差异常临界值,最后将不同类型流量样本数据的重构误差值散布与异常临界值进行对比来检测归类异常行为。采用NSL-KDD数据集仿真实验表明,该模型在误报率较低的情况下能有效的提升检测的准确率。本文的创新点如下:（1）提出了一种基于类平衡和CNN结合的网络入侵检测方法,采用新的类平衡处理算法ROS-GMM,将训练数据集上所有类别样本重新采样到统一的数量实例,可避免单独过采样所导致的过多冗余数据,引起时间和空间成本的增加以及单独下采样所带来的部分重要特征的丢失,有助于提升少数种类攻击样本的检测率,能很好的解决异常检测中数据分布不均衡的难题。同时采用神经网络模型CNN去自主提炼更深层次的特征属性,在处置高维非线性网络流量特征方面成效更优,并且避免传统浅层机器学习依靠人为进行特征选择所引起的局限性,使分类识别的准确率更高。（2）提出了基于弹性网的深层降噪自编码网络入侵检测方法,采用深层神经网络模型来主动学习数据的样本特征,可弥补单一神经网络所带来的局限性问题,同时利用Dropout随机失活来解决网络流量数据所存在的噪声问题,从而增强习得样本数据的鲁棒性,此外降噪自编码也克服了自编码网络训练时所存在的过拟合问题。另外在损失函数中加入弹性网络优化处理,以便提高系统框架模型的泛化性能,增强入侵检测识别水平,采用半监督的方式对模型训练来获取重构误差异常临界值,无需完整扫描整个数据集,降低模型的运行开支时间,有效提升模型的检测归类识别效率。