随着网络技术的发展,我们已经进入信息化时代,网络安全问题也成为人们和国家重点关注的问题。入侵检测技术是维护网络安全的一项关键技术,它通过对流量进行实时监控,对威胁事件做出即时响应来保护网络安全。如何能准确地识别恶意攻击流量是入侵检测系统关键,是学者们一直在研究的问题。网络技术不断革新发展,网络环境变得愈发复杂,传统的入侵检测技术面临严峻的考验。目前机器学习在图像识别、文本分类领域解决分类问题已经表现出出色的能力,已有研究者将其用于入侵检测模型的构建。深度学习通过深层次的网络能够更细致的学习数据特征能够处理高维度的数据。因此,本文将深度学习用于入侵检测模型的构建,以满足各种攻击手段层出不穷的网络环境。主要研究内容如下:（1）针对传统入侵检测模型准确率低的问题,本文使用深度学习网络设计入侵检测模型。使用卷积神经网络学习网络流量特征,但随着深度的增加会导致网络退化问题,残差网络通过增加残差块解决了这一问题,基于此本文使用Res2Net构建入侵检测模型,Res2Net使用了多尺度的卷积核来代替Res Net残差结构的卷积核,增大模型的感受野,能够更细粒度的学习网络流量特征。同时,将通道注意力机制ECANet加入到模型的构建,通道注意力能使模型关注重要的通道,提高模型的效率。（2）针对数据集各类别样本不平衡,一些样本数量小的类别不能被模型充分学习,导致检测准确率低的问题。本文使用SMOTEENN综合采样算法对数据集进行平衡处理,对KDD CUP99数据集中的R2L等类别数据使用SMOTE算法进行扩充,然后使用ENN算法对处于边界的样本进行清洗,增加模型检测精度。（3）针对模型使用高维度特征数据集训练消耗时间过长,且部分特征对模型的训练没有发挥正向作用,本文使用特征递归消除算法（RFE）进行特征选择,选取合理的特征子集,以减少模型的训练时间且提高模型的准确率。本文使用KDD CUP99数据集对构建模型进行训练和测试,能达到93.8%的准确率,通过召回率精确率和F-1值与其他模型进行对比,证明本文构建模型的可行性。