随着汽车产业的蓬勃发展,车内CAN通信安全面临着越来越严峻的挑战。提高车内CAN通信安全性,对保证车联网安全以及司乘人员行车安全意义重大。目前,车内通信网络入侵检测技术是确保车内CAN通信安全而采用最广泛的技术之一,其通过实时监视CAN总线上的报文传输情况,在发现异常报文时进行告警。目前对于车内CAN总线的入侵检测算法的研究还不够成熟,检测算法存在漏检、误检及算法难以实现等问题。为解决以上问题,本文在分析车内CAN总线通信特点及各类攻击特征的基础上,提出了基于报文周期特性的自适应入侵检测算法与基于DACHE特征的入侵检测算法。首先,研究了车内通信网络架构,对车内CAN通信协议进行了解析;分析了车内CAN通信存在的脆弱性及其面临的安全威胁,并确定了入侵检测算法的检测特征与评价指标。其次,在分析实际车内CAN报文周期特征的基础上,针对注入型与中断型攻击,研究了基于报文周期特性的入侵检测算法;考虑到不同ID类型的报文具有不同的周期变化特性,分析了周期变化大小的影响因素;提出了基于报文周期特性的自适应入侵检测算法,分析了不同周期特性下的自适应检测阈值对检测精度的影响,给出了自适应检测阈值的计算方法。基于搭建的车内CAN通信模拟平台验证了所提自适应入侵算法的有效性。然后,为检测伪造与重放攻击,给出了基于数据场汉明距离的入侵检测算法,分析了不同情况下该算法的检测精度并给出了改进思路;提出了基于DACHE特征的入侵检测算法,并以BP神经网络作为该算法的分类模型;在数据预处理过程中,针对数据类别不平衡的问题提出一种欠采样的数据选择方法;在神经网络的训练过程中,通过向网络参数迭代公式中加入动量项与自适应学习率,实现了经典BP算法的优化;基于Python进行了模型搭建、训练与测试。最后,分析了一种前两种算法都无法有效检测的攻击方式——Bus-off攻击,研究了其攻击原理、攻击过程、实现条件及具体实现方法;研究了攻击实现过程中恶意报文与被攻击报文的两种同步方式;分析了Bus-off攻击特征并提出了针对该类型攻击的检测方法;基于车内CAN通信模拟平台实现了Bus-off攻击及其入侵检测。