由于互联网的迅速发展和信息技术的广泛应用,计算机系统的安全变得至关重要。入侵检测系统是继防火墙和数据签名等安全技术之后新兴的系统安全保障技术,它能够对网络攻击进行有效的识别和响应,同时能够对内部用户行为进行监督,入侵检测系统是一种主动防御系统。由于网络的数据规模与日俱增和网络攻击的手段也日益多样化,基于传统的机器学习算法的入侵检测模型难以适应如今网络安全的需要,而几年兴起的深度学习在图像识别和文本挖掘都有大量应用,其对数据特征的泛化能力和高度抽象能力十分强大,将其运用于入侵检测中,能够一定程度上适应新的入侵检测的需要。但是,单个分类器的预测能力还是有限。若能通过用某种集成的算法将多个弱分类器结合成一强分类器,这对模型的性能会有所提升。因此,在入侵检测系统中把深度学习和集成算法结合论文研究的主要方向。论文分析了当前的入侵检测系统及深度学习,集成学习等两门技术,针对现有的入侵检测系统存在的问题,探讨了在入侵检测中运用深度学习和集成学习相结合的优势,研究了深度学习算法和几种集成算法,以及它们在入侵检测中的作用。接着论文对其中一种集成算法MDBoost算法进行改进,给出MDBoost2算法。同时,根据入侵检测系统标准化组织提出的通用入侵检测模型框架的为基础,设计了一种新的检测模型,该模型是以深度置信网络为弱分类器的混合模型,并且介绍了模型的关键模块即数据捕获模块、数据预处理模块、数据分类模块和响应模块的结构和主要功能。最后,通过仿真实验对比同类型的模型在入侵检测中的效果。首先是比较深度置信网络和其他弱分类器在入侵检测中的效果,得出深度置信网络相对于BP神经网络的分类算法在入侵检测中有更好的预测准确率；接着,论文比较以深度置信网络为弱分类器的MDBoost2入侵检测模型和其他同类型模型在入侵检测中的表现。根据实验结果分析,得出该模型在预测准确率方面,相较于同类型模型有所提高；而且随着训练数据和弱分类器数量的增加该模型相对于其他同类型模型,表现得较为稳定。