随着计算机网络的发展,网络技术正在繁荣茂盛的生长,越来越多的网络应用程序普及在人们的日常生活中,网络安全问题也越来越多,网络中的攻击者也在不断的改进攻击技术,使得网络异常行为的检测愈加困难。传统的异常流量检测方法已经不能够再满足互联网的安全需求。而近几年以深度学习为研究基础的网络异常流量检测技术很好的满足了互联网的安全需求,不仅能进行动态的预防,而且从原始数据的输入到最终结果的输出不需要人为干预,同时,深度学习的各种算法在海量数据处理上面相对于传统机器学习算法表现出了更加明显的优势。因此,针对传统的网络流量异常检测的缺点,本文提出了基于深度学习的网络流量异常检测方法。首先,对数据集中每一条请求流量进行剪裁、对齐、补足等操作,生成一系列的矩阵数据A作为输入,然后对卷积神经网络的池化层进行改进,搭建动态自适应池化(DAPA),使之可以根据特征图的不同,动态的调整池化过程。使用数据集进行模型的训练,在网络结构中添加Dropout层来解决流量特征提取过程中的过拟合问题。使用softmax函数对测试集数据进行二分类。首先针对这一部分的算法模型进行了一系列对比实验,数据集采用公开自动生成的数据集HTTP CSIC2010,该数据集包含上万条请求数据。实验结果表明,使用动态自适应池化的方式精确度明显提升且损失值降低了,过拟合问题也得到了解决。该算法是可用于流量异常检测的高效算法,具有一定的准确性和可行性。基于上述动态自适应池化卷积神经网络模型的可行性和准确性,设计和实现了一个基于DAPA-CNN的网络异常监测系统。在第四章对整个系统做了详细描述,包括系统的整体结构、系统的具体流程走向。与此同时,通过实验验证了系统的各项功能,实验结果显示,本系统在网络异常行为检测和监测方面具有可行性且准确性较高。