新一代汽车智能化、网联化的发展为人们带来了更加便利和舒适的驾驶体验,与此同时汽车也从一个封闭独立的系统演变为车联网中的重要节点。随着汽车外部通信接口的大幅增加以及车内网络系统的高度复杂化,汽车受到网络攻击的风险达到了前所未有的水平。而控制器局域网（Controller Area Network,CAN）总线作为目前应用最广泛的车载网络总线之一,由于其自身的安全薄弱成为了黑客的重点攻击对象。近年来汽车网络攻击事件频繁发生,这极大地威胁了司乘人员的生命及财产安全。因此,如何保障网联汽车网络安全成为了信息安全研究人员的主要研究问题之一。本文以保障汽车网络安全为出发点,详细分析了车联网系统结构、网联汽车车内网络系统结构以及CAN总线的安全漏洞,提出了网联汽车网络入侵检测的深度学习方法,主要研究工作如下:（1）提出了结合卷积神经网络与模型融合的车内网络入侵检测方法。方法基于代表性深度学习模型Alex Net和VGG16的网络结构,设计构建了两个卷积神经网络模型My＿Alex Net及My＿VGG,并使用加权平均法对这两个模型进行模型融合。与其他使用深度学习模型的车内网络入侵检测方法相比,本文提出的卷积神经网络与模型融合结合方法具有更好的检测性能。上述方法检测64个连续CAN消息帧耗时0.25毫秒,测试准确率最高可达99.91%。在上述方法的基础上引入全局平均池化层代替全连接层,模型改进后,检测耗时为0.21毫秒,测试准确率最高可达99.93%。（2）针对实车攻击数据集不易大量收集以及深度学习模型对训练数据数量高度依赖的情况,提出了结合深度迁移学习与支持向量机的车内网络入侵检测方法。本方法中,深度迁移学习模型提取CAN消息帧特征,支持向量机实现分类检测。为进行对比实验,选取了模型My＿Alex Net和My＿VGG的不同网络层作为特征提取层。在数据集受限的情况下,本文提出的深度迁移学习与支持向量机组合模型方法仍具有较好的检测性能,测试准确率最高可达99.1%。本文提出的结合卷积神经网络与模型融合的入侵检测方法和结合深度迁移学习与支持向量机的入侵检测方法,为如何提高入侵检测深度学习模型的检测性能以及如何改善数据不足带来的影响提供了新的研究思路。