随着信息科技的飞速发展,网络技术的空前繁荣一方面推动着人类文明不断向前发展,而另一方面却又滋生了各种各样的网络安全问题。在目前海量数据的环境下,传统的网络安全防护措施已经不足以应对日渐复杂的网络环境。其原因在于,它难以抵御来自系统内部的攻击,同时也很难针对攻击行为进行实时的监测。因此,如何对海量的数据进行实时并且全面的检测是目前重要的研究方向。而近年来以动态防御为主的网络异常行为检测技术较好的解决了这些问题。同时,以深度学习为基础的各种网络算法则表现出对海量数据处理的明显优势。因此,在对网络异常行为检测和深度学习技术全面分析的基础上,提出了基于深度结构的网络异常行为检测模型。首先,使用基于卷积神经网络(CNN)的深度学习算法对网络异常行为数据的训练集进行特征训练,再使用支持向量机(SVM)分类算法对测试集数据进行分类。其中卷积神经网络采用了改进型LeNet-5网络结构,支持向量机则采用二分类并使用粒子群算法对其进行参数调优。在实验部分首先针对上述算法模型进行了多项对比实验,实验结果有效验证了算法的可行性和准确性。基于上述算法模型的基础上,设计并实现了一个基于多终端CNN-SVM反馈监督模型的云端预测系统。在文中对该系统的系统架构、系统流程、模块划分和每个模块的具体实现均做了详细阐述。同时,在实验部分对该系统进行了系统功能测试,实验结果证明了本系统能够对网络异常行为进行有效的检测与定位。