当今的网络环境,每天都会产生大量复杂度高的数据。为解决这些高维数据给入侵检测造成的数据特征提取不当、准确率低、速率慢等问题,提出一种基于深度置信网络和对支持向量机的入侵检测模型DBN-TSVM-5。首先对入侵检测数据集KDDCUP99进行字符映射和数据归一化,获取可以用于入侵实验的标准数据集。然后使用由五层受限玻尔兹曼机组成的深度置信网络模型对标准数据进行特征提取,获得低维且具有表达初始样本特征的入侵数据。提出一种多分类TSVM-5分类器,对降维后的五类入侵数据进行检测识别。最后,建立仿真实验,验证DBN-TSVM-5模型是一种行之有效的方法。特征数据直接关系到入侵检测实验的结果,因此选取有效的特征学习方法是入侵检测中不能忽略的一个重要步骤。通过特征降维实验对比,结果显示深度置信网络的检测准确率比主成分分析、线性判别分析和T-分布领域嵌入三种方法分别平均提高了25.85%、25.77%和1.19%。分析支持向量机和对支持向量机在入侵检测中的性能,实验表明对支持向量机处理较大规模的数据集比支持向量机更具优势,检测准确率平均提高了1.38%。在对支持向量机的基础之上提出一种TSVM-5算法,实验表明此算法对KDDCUP99的五类数据识别比传统对支持向量机检测准确率平均提高了5.37%。提出的DBN-TSVM-5模型比TSVM-5的检测准确率平均提高了2.52%,综合实验结果表明,DBN-TSVM-5模型较好提高了入侵检测准确率,同时也降低了误报率。图31幅;表17个;参61篇。