如今计算机互联网技术已深入到人们生活的方方面面,成为生活中不可或缺的一部分,计算机网络给生活带来便利的同时,其中出现的各种各样的安全威胁也不断增加,如网络病毒、木马、网络犯罪和黑客恶意攻击等,生活中电子交易等依靠计算机网络才能完成的行为是不可避免的,这在一定程度上增加了网络与信息安全的重要性。入侵检测是一种对计算机网络中可能出现的威胁进行主动防御的方法,可以有效地检测出可能存在的攻击行为,并做好相关预防措施以避免网络受到重大危害。文本结合当下应用广泛的深度神经网络提出一种基于卷积神经网络的入侵检测模型,应用在大型网络中检测具有安全隐患的行为,达到防患于未然的目的,本文的工作主要包括以下内容:(1)提出了基于批归一化的卷积神经网络模型(BN-CNN),该模型在每一层卷积神经网络中加入对数据的批归一化处理,然后经过网络的全连接层得到最终分类结果。模型中对数据的批归一化处理,可以改变每一层数据的方差大小和均值的位置,不仅可以保证数据仍然是原始的分布,也使得数据在输入下一个隐层时保留有通过神经网络学习来的特征。(2)提出了一种基于焦点损失函数的入侵检测模型(FL-CNN),该模型使用卷积神经网络的方法对入侵检测数据进行训练,使用焦点函数作为模型的损失函数。该模型可以解决训练过程中数据非均衡分布的问题,降低数据的非均衡性对模型检测结果的影响,通过降低正确分类样本的损失,将更多的焦点放在难分类的错误样本上,来提高分类结果的准确性。(3)提出了一种入侵检测数据预处理的方法,该方法将原始的矢量格式数据转换为n?n的图像格式数据,同时将前两种模型结合起来,然后将处理后的图像格式数据输入入侵检测模型中,充分发挥卷积神经网络在图像处理方面的优势,以此来提高入侵检测模型的性能。论文的实验在NSL-KDD数据集与UNSW-NB15数据集上进行,并与不做任何处理的卷积神经网络入侵检测模型做了对比,验证了所提模型的性能表现更优,能够在提高系统的准确率和检出率的同时降低系统的虚警率。