随着计算机和网络信息技术的飞速发展,互联网已经成为人们获取外界信息的重要途径,网络技术的发展也带来了一些网络信息安全问题,因而安全监测变得越来越重要。当前,网络环境不断地复杂化,网络入侵行为的数据出现特征维度高、数据量多和冗余度大等特性。传统的入侵检测模型对特征的选择十分依赖,在处理高维度、非线性的海量数据上存在很大的局限性。深度学习技术可以从海量数据中有效提取入侵数据的深层特征,从而能够更好地检测入侵行为。论文将深度信念网络作为对海量数据进行特征学习的方法,提出一种改进的深度学习模型,并将其应用于入侵检测领域,设计了一种改进的入侵检测模型。论文主要研究工作如下:1、为了解决入侵检测领域海量数据类型复杂以及特征冗余问题,论文利用深度信念网络对数据特征进行学习和降维,采用自适应学习率的方法来提高网络训练的收敛速度和精度,设计了基于自适应学习率的改进的深度信念网络模型(Improved Deep Belief Network,IDBN),并确定面向入侵检测的特征学习模型的网络结构(122-90-60-40-20)。实验表明IDBN模型的检测准确率比自编码网络、主成分分析-20模型分别提高2.19%和7.97%。2、IDBN模型初始连接权值存在指向性且容易产生早熟收敛等缺陷,论文提出了基于IDBN的入侵检测算法。该算法在对粒子群优化(Particle Swarm Optimization,PSO)算法的研究基础上引入遗传算法(Genetic Algorithm,GA)中的交叉和变异操作,设计了一种遗传-粒子群(Genetic Algorithm-Particle Swarm Optimization,GA-PSO)混合优化算法来优化IDBN模型的初始网络参数。实验表明:采用GA-PSO混合优化算法的IDBN模型的检测准确率分别比GA和PSO算法提高0.53%、1.39%,其误报率分别比GA和PSO算法低2.26%、0.46%。3、设计和实现了基于深度学习的入侵检测模型(GA-PSO-IDBN Based Improved Softmax,GA-PSO-IDBN-IS),模型主要包含数据预处理、GA-PSO-IDBN特征学习以及改进的softmax分类器。与卷积神经网络、长短期记忆-循环神经网络和GA-PSO-IDBN-softmax三种入侵检测模型进行二分类和多分类的入侵检测实验,测试表明论文提出的入侵检测模型(GA-PSO-IDBN-IS)具有较高的检测准确率和较低的误报率。