互联网的发展,在给用户提供便利的同时,也使得网络的安全面临着巨大的威胁,个人信息的泄露、网络的诈骗行为、甚至国家机密窃取等网络入侵威胁严重影响着人们的生活,如何解决网络发展所带来的安全问题成为了重中之重。入侵检测技术是一种能够对网络中存在的入侵威胁进行检测的安全防御措施,在现在的网络环境中,只凭借防火墙技术已经无法抵御网络中所存在的入侵行为。防火墙作为安全防御措施的一种技术,通过配置相应的安全策略,将关键主机或者网络进行隔离的方式,来抵御网络中存在攻击行为。随着网络环境的越来越复杂,新型攻击层出不穷,传统的入侵检测系统(Intrusion Detection System,IDS)无法适应目前新的网络环境对网络安全的需求,存在误报漏报、实时差、自适应能力和性能不足等问题。本文研究了入侵检测系统和深度学习的相关技术,对传统的入侵检测系统进行分析,发现其对数据处理所采用的方法相对简单,当所需处理的数据存在一定的复杂性时系统处理能力明显不足,影响系统整体的检测性能。考虑深度学习在处理复杂高维数据时,能够降低了计算量的同时提取到更好的特征表达能力的特点,本文提出一种基于稀疏边缘降噪自动编码器(Sm DAE)和支持向量机(Support Vector Machine,SVM)的混合入侵检测方法。在自动编码器的基础下进行了改进,通过对隐藏层神经元的状态进行约束,并对原始输入数据进行噪声处理,降低数据中噪声污染对数据处理的影响,减少计算量和系统存储开销;结合支持向量机,对所提取到的特征进行分类识别,在基于Tensorflow-GPU实现了本文所提出的方法,使用NSL-KDD数据集对本文所提出的方法进行验证并与基于深度学习的其他模型进行对比;利用winpacp工具获取网络数据对模型的泛化能力进行验证。实验结果表明:基于Sm DAE-SVM的入侵检测模型明显优于其他基于深度学习的入侵检测模型,在Accuracy较其他深度学习模型提升2%,在False Alam Rate下降2.5%;训练和测试过程的时间平均减少3s。在基于网络数据集的测试结果上,模型的Accuracy达到98%,False Alam Rate为2%。