互联网和网络通信技术的高速发展给人们的生活和生产带来了极大的变化。人们在享受网络带来便利的同时,网络安全问题也变得日益严峻,这给网络环境正常运行和隐私保护带来了巨大的挑战。网络流量的异常检测已经成为了解决网络安全问题的一个关键手段。本论文将深度学习引入到入侵检测领域,首先提出了一个基于深度自适应特征的学习算法框架用于流量异常检测。该算法能够根据网络流量特征维度进行深度模型的层数和每层神经元个数的确定。其次在算法中合理设置特征参数,利用迁移学习的优势和深度模型对特征强大的学习能力,使深度神经模型对原始多维度的数据能进一步学习获得新的抽象特征。本论文还结合深度学习和传统浅层机器学习的优势,将学习到的新特征使用传统机器学习分类器作最后的入侵检测分类。其次,本论文提出了一个深度非对称卷积编码器用于网络入侵检测。该模型结合了自编码器和卷积自编码器的优点,通过保留卷积自编码器的编码器部分,通过多层隐藏层堆叠形成深度非对称结构。该深度卷积非对称编码器能够用于特征提取并且结合随机森林做进一步的入侵检测分类。本文在实验中使用了NSL-KDD,UNSW-NB15和CICIDS2017三个网络入侵检测的数据集用于入侵检测实验评估。实验结果显示,深度自适应学习算法设置合理的参数,能够有效提高不同机器学习分类器的检测性能并且减少了检测的时间,具有一定的鲁棒性。此外,本论文提出的深度非对称卷积编码器加随机森林的入侵检测模型在NSL-KDD和KDD99数据集上进行实验。实验结果显示,该模型对比现有的模型结构能有效地提高入侵检测效果,并且在多分类和小样本检测上具有一定的稳定性和准确性。