高效的入侵检测算法是入侵检测系统的核心技术。传统的网络入侵检测算法的检测精度较低、误报率高,不能高效地检测日益复杂的网络入侵行为。因此,研究改进入侵检测算法的性能具有重要的意义。自编码器作为深度学习算法,能够有效降低数据集的特征维数,并保证原数据集信息的完整性。将自编码器应用于网络入侵检测系统,能够从高维的数据中提取出有效的信息,从而提高入侵检测系统的性能。基于上述原理,本文提出基于改进的自编码器的入侵检测模型。本文在研究基于自编码器的网络入侵检测模型的基础上,针对其算法收敛速度慢和误报率高的缺陷,提出一种基于栈式稀疏自编码器结合概率神经网络(SSAE-PNN)的入侵检测模型。该模型可提取特征间复杂的关系,不仅能够降低特征维度,而且可以学习到隐藏的、深层的特征;该模型的分类器收敛速度快、分类准确度高,降低了训练的时间,从而节省了时间成本。通过实验验证:与其他检测方法相比,基于SSAE-PNN的入侵检测模型具有较高的检测精度和较低的误报率,够有效的检测网络异常攻击。针对SSAE-PNN模型抗干扰能力弱的缺点,本文提出了栈式收缩自编码器结合概率神经网络(SCAE-PNN)的入侵检测模型,该模型同时具有较强的特征提取能力和抗干扰能力的,克服了基于SSAE-PNN的入侵检测模型抗干扰能力弱的缺点。此外,本文使用UNSW-NB15数据集训练和测试SCAE-PNN模型。UNSW-NB15数据集包含的攻击类型比NSL-KDD数据集更新、更全面。实验结果证明:与其他的自编码器模型对比,本文的SCAE-PNN方法准确率提高了3%左右,误报率降低了2%左右。