当今世界互联网飞速发展,网络安全成为了一个不可忽视的问题。作为网络安全中的重要组成环节,入侵检测技术一直都是研究的重点。随着计算机网络的更新换代,新型攻击也层出不穷,传统的入侵检测模型由于其泛化能力较低,无法很好的识别这些新型攻击,因此需要一种新的技术来改进入侵检测算法,使之适应时代需要。近年来,深度学习在各个领域都表现出了其优越性,因此本文将卷积神经网络应用到入侵检测中。本文首先对卷积神经网络进行分析,传统的卷积神经网络通过BP算法进行训练,而BP算法极易陷入局部最优,这就会导致网络无法训练出最优参数,从而弱化网络的检测能力。为了克服这个缺点,本文引入了蚱蜢优化算法。蚱蜢算法拥有很强的全局寻优能力,可以快速达到收敛。理论上,蚱蜢算法代替BP算法进行网络训练,可以增强网络的分类能力,但是实际实验表明,蚱蜢算法对样本规模敏感,在样本量较小的情况下,蚱蜢算法表现良好,但随着样本量的逐渐增大,它的寻优能力会慢慢下降,因此单纯使用蚱蜢算法代替BP算法来训练卷积神经网络并不完全可行。为了克服此弊端,本文提出了一种基于蚱蜢算法优化卷积神经网络的模型,将蚱蜢算法和BP算法相结合使用。设定一个迭代次数阈值,在阈值之前,使用蚱蜢算法训练网络,利用蚱蜢算法的强全局搜索性可以快速地得到较优参数,当迭代次数达到阈值后,蚱蜢算法搜索能力下降,则改用BP算法继续寻优。这种混合算法可以看作先使用蚱蜢算法获得良好的网络参数初始值,然后在此基础上进行卷积神经网络的训练。恰当的初始值,加上BP算法强大的局部搜索能力,可以极大地提升网络的分类能力。本文用三种数据集验证了提出的基于蚱蜢算法优化卷积神经网络的入侵检测模型。实验结果表明,本文模型和优化前的卷积神经网络模型相比,检测率提高了2.33%,漏报率降低了0.71%;和KNN模型相比,检测率提高了4.14%,漏报率降低了0.02%;和SVM模型相比,检测率提高了2.31%,漏报率降低了0.9%,误报率降低了0.67%。这些数据表明,蚱蜢算法优化卷积神经网络是一种高效可行的算法,提升了入侵检测算法的性能。