随着云计算、AI等技术的迅速发展,互联网涌现出了各种新型的网络攻击,网络异常检测与分析方法引起了学术界的广泛关注并逐渐成为研究热点。网络异常检测旨在区分网络中的恶意行为和正常行为,传统的异常检测方法普遍存在检测效率较低和误报率较高的问题,为提高传统异常检测方法的性能,本文引入了深度去噪自编码器技术,利用自编码器的重构误差和自编码器的数据降维来研究网络异常检测方法。本文首先针对网络入侵数据中的数据类别分布不平衡的问题,提出了一种融合弹性网的深度去噪自编码器(E-DDAE)的网络异常检测方法。通过改进深度去噪自编码器的损失函数,从而构建融合弹性网的深度去噪自编码器,利用训练集中的正常数据对自编码网络进行无监督训练,把正常数据的重构误差作为异常阈值,通过构建的自编码器和异常阈值来对网络的异常行为进行检测。实验结果表明,与AE、SVM、K-NN的异常检测方法相比,该方法在保证了较好的分类准确率的同时,提高了召回率和F1值,降低了误报率。本文然后针对传统网络异常检测方法在处理海量高维度数据时检测性能较差的问题,提出了一种融合深度去躁自编码器(DDAE)与深度神经网络(DNN)的混合异常检测方法(DDAE-DNN)。利用DDAE对预处理后的高维网络数据进行抽象特征提取,从而获得原始输入数据的低维度表现形式,降低数据的冗余程度;再通过低维网络数据对DNN进行监督学习来完成网络攻击的异常检测。实验结果表明,与DNN、SVM、PCA-DNN方法相比,该方法对网络异常数据有着较高的检测率和较低的误报率。