近些年,随着互联网和社会的高速发展,网络已经极大地改变了人们的学习、工作以及生活方式,但是同时网络安全导致的安全问题越来越严重。由于攻击类型日益增多,攻击方法日趋复杂以及制造网络攻击的“低门槛化”,传统的网络入侵检测技术正面临如下问题:(1)网络流量的数据源高度异构、规模急剧增加;(2)经典的机器学习算法的性能依赖于特征工程;(3)新的攻击类型层出不穷;(4)现有一些自动化网络入侵检测设备误报率较高。当前的网络入侵检测技术很难有效地解决上述问题。本文通过研究深度学习方法和词嵌入方法在网络入侵检测技术中的应用,提出有效捕获网络流量数据中复杂时空关联关系的有监督深度学习算法,提高网络入侵检测模型的准确率、降低误警率,最终完成基于词嵌入的用于网络入侵检测的深度学习模型的构建。本文的主要研究工作如下:(1)对卷积神经网络和循环神经网络在网络入侵检测应用中各自的优势和不足作了对比,对之后构建复杂结构神经网络的入侵检测模型具有指导意义。(2)提出了基于词嵌入的网络流量数据预处理方法。词嵌入技术被广泛应用于自然语言处理领域,通过词嵌入技术获得的“词向量”不仅维度比one-hot编码的高维向量低,还能保持语义的相关性。本文引入词嵌入技术对应用层负载进行特征提取和降维并结合部分头部特征,得到了低维高质量的特征向量。(3)提出了基于复杂结构深度神经网络的网络流量特征学习。本文使用卷积神经网络学习流量包的空间特征,使用循环神经网络学习会话内多个包间的时间序列特征,从而获得了更好的特征表达。本文针对传统网络入侵检测技术当前的问题,通过充分的文献调研和讨论,将深度学习和词嵌入方法应用到网络入侵检测技术中,对比了卷积神经网络和循环神经网络各自的优势和不足,提出有效捕获网络流量数据中时空特征的有监督深度学习算法,最终完成基于词嵌入和深度学习的复杂结构深度神经网络模型的构建,并用于网络入侵检测。实验结果证明该模型具有很高的准确率、较低的误警率,为在现实世界中部署基于深度学习的网络入侵检测系统做出了一定的贡献,有一定的理论意义和现实意义。