Internet技术使人们生活更加便利,但网络攻击却使人们的正常生活受到了影响,如各种病毒、漏洞等,威胁着社会的持续稳步发展。入侵检测通过收集和分析网络信息数据,来识别计算机网络中的攻击行为,是一种有效的网络安全防御技术。针对反向传播(BP)神经网络和深度置信网络(DBN)参数数量大、在训练过程中易陷入局部极值,降低了入侵检测模型对大规模入侵数据的检测精度和速度。首先,在粒子数量大、维数高的背景下引入信息熵模型,精确分析了粒子群搜索过程中的聚集特性,将粒子群搜索过程进行分段优化,提出了基于熵模型的粒子群优化(EPSO)算法。然后,将EPSO算法与BP神经网络相结合,粒子由BP神经网络的权值和阈值组成,利用EPSO算法对权值和阈值进行寻优,将EPSO算法寻优所得的最优粒子解码为BP神经网络的参数。并在BP神经网络训练阶段对参数进一步局部优化,从而提高BP神经网络的分类效果。最后,针对BP神经网络结构简单、对入侵检测数据的特征学习能力有限的缺点,引入由多层受限玻尔兹曼机(RBM)和BP神经网络组成的DBN模型。利用多层RBM对入侵检测数据的高维特征实现最优低维表示。通过EPSO算法对DBN模型的参数进行全局寻优,将得到的最优粒子解码为DBN的参数,并利用BP神经网络完成参数微调,从而达到对DBN模型优化的目的。粒子群优化(PSO)算法实验结果表明:在5个标准测试函数中,EPSO算法的求解精度和收敛速度都优于经典粒子群算法、自适应惯性权重粒子群算法等4种粒子群算法,并且减少了算法的大量无效迭代。EPSO-BP算法的入侵检测实验结果表明:在熵值、适应度值和均方误差三个方面,EPSO-BP算法比PSO-BP算法的求解精度和收敛速度更优,并且迭代寻优次数更少;同时,EPSO-BP算法相比于PSO-SVM(支持向量机)、PSO-BP算法的准确率提高了 3.34%、1.90%。EPSO-DBN算法的入侵检测实验结果表明:DBN模型的网络结构设置为1 22-110-80-50-30-10时,DBN检测模型的准确率最优;在入侵检测模型训练阶段,EPSO-DBN模型相比与PSO-DBN模型的训练误差和训练时间更优;同时,EPSO-DBN模型对测试数据集的检测率更高。