互联网已经成为人们日常生活中不可缺少的一部分，网络在带来便捷生活的的同时，由于网络安全问题日益突出，也给人们带来了严重困扰和焦虑。近年来频繁爆发的网络安全事件，给国家、企业和个人造成巨大的经济损失和不可弥补的灾难。
　　检测是一种有效的网络安全防御技术，主要通过收集和分析网络数据，来识别入侵行为。传统的入侵检测方法大多是基于统计学、规则匹配等方法提出的，随着大数据时代的到来，面对海量且复杂的入侵数据，传统算法的检测率和效率都很低。针对网络攻击的多样性，如何提升入侵检测的性能是一大难题。本文针对网络入侵检测算法展开研究，具有重要的理论意义和实际应用价值。本文的主要工作如下：
　　1）改进了传统的多层感知器入侵检测模型，该模型设计三种网络结构，通过调整隐含层的神经元个数，来匹配后续提出的两种多层感知器模型，经过实验来验证模型的最优网络结构；该模型引入Dropout和Batch Normalization，明显提升了模型检测准确率；针对数据集特征维度过高，采用了主成分分析法进行特征降维，使之符合模型的数据输入；搭建两种网络模型来提高模型的收敛速度。实验表明：设计的网络模型相比其他算法模型具有更快的收敛性，大幅度提升了训练准确率，最高可达99.98%，测试准确率可达92%，模型的检测效率也更高。
　　2）针对不平衡数据集出现的梯度消失问题，采用了基于卷积神经网络的入侵检测模型。该模型针对数据集的处理数据层面采用了过采样技术，对数据量进行缩减，算法层面采用了交叉熵损失函数；针对模型收敛速度加入了Adam优化器，实现梯度的快速下降；针对模型的整体性能加入了dropout，使模型性能更稳定。实验结果表明：设计的网络模型具备很好的特征学习能力，使用KDDcup99数据集检测，入侵检测测试准确率达到94%，进一步提升了检测准确率。
　　在KDDcup99数据集上的实验表明，与传统的入侵检测模型相比，基于多层感知器和基于卷积神经网络的两种模型不仅提高了不同类别分类的准确率，还提高了检测准确率和检测效率，针对来自远程主机的未授权访问和未授权的本地超级用户特权访问两类攻击也有较好的检测率。同时，相比其他算法，两种模型的收敛速度更快。