随着移动互联网的迅速发展和智能终端的便携化、小型化,越来越多的人使用无线局域网作为首选的网络连接方式。但是在无线局域网的使用过程中,网络攻击也不断发生并威胁着人们的财产和生活,而且形式越来越新颖,变化越来越多样。入侵检测系统由于其应对攻击的主动性、更全面的保护性得到了重点关注。目前流行的无线局域网入侵检测系统大多是通过维护一个正常或者异常的特征库来对访问数据进行模式匹配来进行入侵检测,但在面对多样的新型网络攻击时力不从心,而且维护特征库成本巨大。同时入侵检测数据特征维度高,数据量大,而且类别间存在数据不均衡的问题,严重影响了基于传统机器学习算法进行入侵检测的方法的性能。针对这些问题,研究了以下三点:1)针对入侵检测数据特征维度高,新型攻击多,数据量大的问题,提出了一种基于深度因子分解机(DeepFM)的入侵检测模型。该模型能够对独热编码后的高维特征数据进行降维,然后将降维后的特征同时输入二路因子分解机和深度神经网络以同时提取数据的低阶组合特征和深层特征,然后将结果进行融合并使用Softmax分类器进行分类。本方法在KDD CUP 99数据集上的实验效果相对于主流入侵检测机器学习算法效果有一定提升,正确率达到了 93.4%。2)针对入侵检测数据集类别间的不平衡问题,在上一章模型的基础上,提出一种基于深度因子分解机(DeepFM)的集成学习方法。首先对SMOTE-Borderline算法进行了改进,提出了一种分段SMOTE-Borderline方法,在复制倍数较高时防止数据重心发生偏移。然后使用分段SMOTE-Borderline过采样算法和Easyensemble欠采样算法进行训练集的采样及生成,接着使用以深度因子分解机作为基学习器的Bagging集成学习算法进行训练。使用KDD CUP 99数据集进行了实验,证明本算法能够有效解决数据不平衡问题并提升模型分类效果。3)设计并实现了一种基于DeepFM模型集成学习方法的无线局域网入侵检测系统。该系统分为数据采集模块、数据处理模块、入侵检测模型训练及检测模块、数据存储模块、访问控制模块、用户交互及可视化模块六个模块,并使用MVC模式进行系统架构设计。入侵检测模型训练及检测模块采用的核心方法是本文提出的基于DeepFM模型的集成学习方法。然后利用Python、bootstrap、Flask、Keras、Tensorflow、Scapy、Pandas等技术实现了本系统的编码并进行了实验,验证了系统的有效性。