互联网的飞速发展为个人、企业和政府的工作带来了极大的便利,已经成为人们生活和工作中极其重要的一部分。但是,伴随着互联网发展的同时,网络安全问题变得日益严重,给人民的生活带来了许多威胁。网络入侵检测能检测网络中具有攻击行为的信息以降低损失,其作为一种主动检测技术是维护网络安全的重要组成部分。网络入侵检测主要通过分析网络用户产生的流量数据以发现攻击流量。基于传统机器学习算法的网络入侵检测需要人为手动构建复杂的特征工程,已经无法满足当前大数据环境下的入侵检测需求。本文,采用深度学习构建算法模型并利用流量数据的原始数据信息作为算法模型的输入进行网络入侵检测。本文的主要工作内容如下:针对网络入侵检测总体准确率较低问题,本文提出一种深度分层网络模型,该模型级联了卷积神经网络和长短时期记忆网络,可以同时提取流量数据的空间特征和时序特征增强了流量数据的表示能力。在CICIDS2017和CTU数据集上总体准确率分别达到99.8%和98.8%。针对网络入侵检测中各类攻击样本不均衡问题,本文提出一种平行交叉卷积神经网络模型,该模型上下两个分支分别采用全卷积神经网络和卷积神经网络,并在网络内部采用特征通道级联进行三次特征融合操作。另外,对每一类攻击样本都采用多个评价指标,并基于每一类攻击的评价指引入对应的高阶评价指标来更好的评估模型的性能。在CICIDS2017数据集上高阶评价指标G-Mean达到99.6%。针对网络入侵检测中未知攻击的检测问题,本文提出一种基于度量学习的算法模型用于检测未知攻击类别的流量样本。该模型输出一个特征嵌入向量表示不同类别流量数据的分布,并采用三元组损失函数和中心损失函数优化输出的特征嵌入向量,使得相同流量类别的样本距离变得更近,不同类别流量类别样本距离变得更远。通过设置距离门限值区分已知和未知的攻击流量。在基于CICIDS2017数据集构建的未知攻击检测上,准确率达94.8%。