入侵检测技术是网络安全中的关键技术,随着目前网络攻击手段的多样化,传统入侵检测技术逐渐表露出检测性能差、适应能力低等问题,入侵检测的新技术、新方法已成为相关领域的研究热点。针对目前入侵检测中所存在的问题,本文构建了一个基于卷积神经网络的入侵检测模型,并对其中的卷积神经网络进行了深入的研究和改进。论文主要工作包括:(1)针对卷积神经网络训练中所存在的训练速度慢、难以收敛等问题,本文应用遗传算法对卷积神经网络的初始权值进行优化。实验结果表明经遗传算法优化后的卷积神经网络收敛速度变快,特征提取能力得到加强。(2)针对目前入侵检测中所存在的检测性能低等问题,本文将具有优秀特征提取能力的深度卷积神经网络应用于入侵检测,通过调整网络结构、增加卷积核数量、精简全连接层、调整学习率等方法对卷积神经网络模型进行改进。实验结果表明经过改进后的卷积神经网络具备良好的对异常数据特征的识别能力。(3)针对深度卷积神经网络存在的梯度消失问题,本文结合残差学习思想设计了一个深度残差卷积神经网络模型,应用KDDCUP 99数据集对该模型进行测试,其在入侵检测准确率、误报率和漏报率三个指标上均有较好表现,对新型攻击的辨识率较高。研究结果表明,本文给出的基于卷积神经网络的入侵检测模型能够有效地检测出各种常见异常数据和攻击类型,同时具备检测新型攻击数据的能力。