系统日志广泛应用于各类软件系统之中,它能够记录系统的运行状态信息以帮助管理员对软件系统进行调试和分析。在系统安全领域,对系统产生的日志进行分析和挖掘以实现对系统的异常检测是一种常用的安全防护手段。然而,随着计算机软硬件的快速发展,软件系统的规模逐渐变得十分庞大,其产生的日志数据也急剧增加。因此,在海量日志数据集上进行人工标记已变得不再现实。目前已有许多研究针对日志异常检测提出了不同的检测方案,并且随着深度学习的广泛应用,使用深度学习的神经网络模型进行日志异常检测已经逐渐成为主流方法。但是,系统行为模式的复杂性以及系统的更新迭代性会严重影响深度学习异常检测的有效性,从而降低深度学习异常检测方法的可用性。本文针对深度学习应用于系统日志异常检测所存在的问题进行了改进和优化,具体研究内容如下:（1）基于日志模板主题特征的检测方案（TFAD）:该方案针对日志模板数据预处理部分进行改进,提出了一种基于日志模板主题的日志模板主题分类模型。在该分类模型中,本文引入了LDA主题模型以实现对日志模板进行主题分类。当使用该日志模板主题分类模型对日志模板进行主题分类预处理后能够大幅提升异常检测方案的有效性。在优化方案ETFAD中,本文通过将LSTM循环神经网络模型替换为GRU循环神经网络模型并在模型基础上加入selfattention机制提高了日志异常检测的准确度。最终,提出了一种检测准确度更高、新日志模板注入鲁棒性更强的基于深度学习的日志异常检测方案。（2）基于并列GRU分类模型的检测方案（DGAD）:该方案针对现有基于深度学习的日志异常检测方法仅捕捉序列上下文特征异常的问题,提出了一种基于并列GRU分类模型的日志异常检测方案。在该方案中,本文针对序列特征异常和频度特征异常设计了一个并列GRU分类模型,该模型能够同时输入日志模板滑动窗口和对应的日志模板频度向量,并且输出当前输入所对应的预测结果。通过判断下一时刻的日志模板是否属于模型预测结果的候选集以决定当前日志序列是否存在异常。最终,提出了一种能够同时对日志序列上下文特征和频度特征进行检测的基于深度学习的日志异常检测方案。（3）基于TFAD方案设计并实现日志异常检测原型系统:通过分析目标系统的设计需求,自底向上、模块化对原型系统进行设计与实现。并且通过在现有真实数据集上和现有同类主流方案进行实验对比分析以证明本文所提出的方案能够实现准确度更高、新日志模板注入鲁棒性更强的日志异常检测功能。