随着网络范围和规模的不断扩大,网络入侵的威胁比以往任何时候都要严峻。网络入侵检测系统是为了防止网络入侵而部署在计算机上的一种安全工具。由于攻击方法的日益复杂,新攻击不断出现,传统的入侵检测已无法满足检测要求,因此需要探索新的方法来检测网络中的入侵。近年来得益于深度学习的快速发展以及其在大数据分析、处理上的优势。本文以深度学习中的深度神经网络和卷积神经网络为基础,建立了一种能够自主学习的检测模型,该模型不仅能提高检测精度,而且能够识别出稀有入侵行为。论文的主要工作包括:（1）针对现有的入侵检测系统对大流量网络中的恶意行为检测效率低,无法有效对网络中的攻击类型进行高效检测的问题,本文提出了一种基于多路学习的网络入侵检测方法。该方法是一个基于深度神经网络的学习模型,其主要思想是将网络流中的大流量数据根据网络协议划分成几种小的数据流,然后对划分后的数据流进行检测。其检测过程主要包括两个阶段:第一阶段,根据网络协议类型将大的网络流划分成TCP,UDP,ICMP协议类型的子网络流,然后将得到的每个子网络流分成正常和异常流量。第二阶段,利用预训练好的多分类模型对第一阶段检测到的异常流量进行分类,识别攻击类型。（2）针对由于攻击类别之间数据分布不平衡,稀有攻击检测效率低的问题。本文提出了一种基于数据增强和级联分类器的入侵检测方法。该方法首先按照攻击类型将训练集划分为普通攻击集和稀有攻击集两种;然后使用数据增强技术对稀有攻击集进行处理以便增加稀有攻击样本量。最后为了学习的目的,在这两个划分后的数据集上都引入了分类器,每个分类器分别处理普通攻击和稀有攻击,以提高对稀有攻击的检测能力。该方法的主要思想是将稀有类别与数据集中的其他攻击类别分离,通过增加稀有类别的样本量,从而提高对稀有攻击的检测能力。