互联网技术发展日益成熟,应用遍及人们生活的方方面面。大数据、云计算等新技术的出现也让网络服务更加丰富、便捷。但与此同时,网络安全问题日渐突显,黑客活动逐年递增,给个人,企业和国家造成巨大的经济损失。入侵检测是网络安全领域的一个重要研究方向,数据量的增加和入侵方式的多样化使得传统的检测方法满足不了当前网络环境的要求。近年来,深度学习技术的发展和其在多个领域的成功应用,为入侵检测提供了一个新的解决方法。本文提出了基于深度学习和迁移学习的入侵检测模型。采用将流量数据转换为图像的方法,把数据以灰度图的形式表示出来,利用图像中的纹理表征对入侵方式进行归类。通过流量数据到图像的转化,将入侵检测问题转化为图像识别问题,从而将深度学习技术引入到入侵检测问题中。首先,对入侵数据集KDD 99做预处理,生成符合需求的二维图像矩阵组。然后,利用生成数据对多种结构的深度卷积神经网络进行对比试验,综合考虑时间成本与实验效果,选择较合适的模型结构进行训练。之后,将训练得到的模型和主流机器学习方法进行对比,验证本模型的可靠性和有效性。最后,为提高模型的迭代效率和适应性,引入迁移学习,使用corrected数据集对模型进行微调,使模型的泛化能力得到较大提升,有效检测新入侵。本文的研究建立在多学科交叉之上,涵盖网络安全、信息处理及人工智能等领域,将深度学习和迁移学习应用于入侵检测领域,提出了一种可行的模型结构,并通过实验证明了它的先进行和有效性。