网络的飞速发展和广泛普及方便了人类的生活,而其中蕴含的丰富信息也带来了许多网络安全问题。在当今的复杂网络环境中,各种病毒、漏洞和攻击层出不穷,威胁着社会公共安全,造成了严重的经济损失,因此保护网络安全成为一个迫切需要研究的课题。入侵检测能主动检测攻击,因此在网络安全中发挥着关键作用。随着网络入侵攻击的不断进化,传统入侵检测方法的弊端日渐显现,出现了检测性能差、效率低,难以识别少数类别的问题。深度学习的出现能有效解决这种问题,在此之前深度学习已经成功的运用于多个领域。深度学习的多层网络结构和优秀的特征学习能力有助于入侵检测中复杂数据特征的提取。本文针对入侵检测方法和深度学习模型进行深入的分析,对基于深度学习的入侵检测展开研究。本文的主要工作如下:针对传统入侵检测技术对高维数据提取难度较大,从而导致识别率较低的问题,本文提出了基于深度信念网络(Deep Belief Networks,DBN)与概率神经网络(Probabilistic Neural Network,PNN)的入侵检测模型DBN-PNN。该模型利用DBN强大的特征学习能力结合PNN快速收敛且容错性好的优点,实现对入侵行为的检测。DBN-PNN模型首先采用DBN将大量原始高维数据降维,完成特征提取,之后对DBN输出的低维数据采用PNN分类。通过实验验证了该模型具有良好的识别效果。针对网络入侵数据分布不均匀,各类别比例严重失衡,而大多数入侵检测方法只关注整体样本的检测率忽视少数类别的问题,本文在DBN-PNN模型基础上加入对不平衡数据的优化处理,提出了基于优化不平衡数据的深度学习入侵检测模型。该模型共有四个模块,本文针对其中数据预处理模块和入侵检测模块上进行了研究。在数据处理模块中采用SMOTE算法(Synthetic Minority Over-sampling Technique)合成少数类别样本,增加少数类别数量,对多数类别样本采用NCL算法(Neighborhood Cleaning Rule,NCL)进行欠采样,降低其数目,最终形成平衡数据。将本文提出的DBN-PNN模型应用在入侵检测模块中,最后通过实验结果验证本文的模型能有效提高整体检测的效果,同时提升了对少数类别攻击的识别。综上所述,本文提出的模型不仅有效的提高了入侵检测的检测性能,缩减了检测时间。同时针对非平衡策略的改进,本文的模型能使少数类别攻击的准确率得到了明显的提升。