随着因特网技术的深入发展,网络空间资源正成为一个国家重要的信息基础设施,然而网络空间安全却面临着重大的挑战,许多不法份子为了谋求私益,利用信息技术进行网络攻击危害国家和公众利益。如何识别和阻止层出不穷和千变万化的网络攻击既是国家战略也是社会需要,这其中首要的任务是研究有效的网络异常检测技术。基于深度学习的异常检测技术正受到研究人员的青睐,这些方法大多使用网络流量或者其特征集进行异常检测,但在技术上仍然存在一些缺陷,限制了网络异常检测的效果。本文主要关注其中两个方面:第一,如何依靠具有时空特征的原始网络流量提高异常检测的精度;第二,面临使用的数据不完整时,如何利用含结构性缺失数据提供的有效信息保证网络异常检测的鲁棒性。针对以上两个问题,本文设计了两种基于深度学习的方法应用于网络异常检测。本文主要的研究内容和创新点如下:第一,为了更好地利用网络流量数据的时空特征以及深度学习的深层次表征学习能力,实现高效可靠的网络异常检测。本文提出了一种面向网络流量的深度学习网络异常检测模型（DST-NAD）。本文尝试不依靠网络流的统计特征,而是使用网络流量原始字节数据,构建网络流矩阵作为深度学习网络模型的输入数据。降低了数据预处理的复杂性和工作量。该模型使用处理好的网络流矩阵作为模型输入,通过在数据包维度延迟嵌入的方式将时序特征进行拓展和放大。在网络流矩阵转换为三阶张量后使用张量神经网络进行多路投影降维,最后使用卷积神经网络深度挖掘降维后张量的内部信息。在两个公开数据集上进行了实验和评估,证实了DST-NAD模型的有效性,能够在综合性能上比现有的一些方法更优越。第二,为了解决某些情况下网络异常检测的张量数据集中存在一定的结构性缺失数据从而影响异常检测模型分类效果。本文提出一种面向结构性缺失数据的网络异常检测模型（AMD-NN）,该方法不是通过简单地删除和插补原始数据,而是提取原始数据中非缺失下标的数据,使用张量多路投影的方式将存在结构性缺失的数据投影到公共子空间,提取多路特征,然后输入神经网络进行学习。在两种数据集上进行了模型的实验和评估,验证了AMD-NN算法的可用性。模型分别在不同的数据缺失率下的表现能比常规的填充方式更鲁棒,各项评价指标下降更缓慢。