如今人们的生活被互联网包围,网络设备需要不间断地运行以满足终端用户的需求,每时每刻都有大量的数据通过公共和私有网络与网络设备进行交换,但互联网与网络设备的开放连接访问在大多数日常网络活动中带来了网络安全威胁。网络入侵检测系统是一种可靠高效的保障网络安全的技术,但目前的网络入侵检测系统仍存在面对不均衡样本时检测的准确率低误报率高的问题,本文研究的基于神经网络模型的网络入侵检测具有重要的理论意义和应用价值。本文的主要研究内容如下:（1）概括和分析了当前网络安全和信息安全的问题,以及当前国内外入侵检测技术的研究现状。介绍了入侵检测技术的分类和网络入侵检测技术的实际应用,剖析了神经网络的结构和学习特征的原理。（2）针对神经网络模型在学习不均衡样本特征时偏向多数类样本导致模型过拟合的问题,提出一种基于1DCNN-GRU的网络入侵检测方法。1DCNN-GRU混合模型是由一维卷积神经网络（One-Dimensional Convolutional Neural Networks,1DCNN）与门控循环单元网络（Gate Recurrent Unit,GRU）构成的深层网络模型,卷积层通过膨胀卷积的方式提取数据特征,GRU层利用重置门和更新门对特征数据进行进一步的筛选,去除冗余信息,保留具有类别区分性的特征信息。在模型训练时添加高斯噪音层增加样本多样性,提高模型的学习能力,并通过调整模型的优化器和学习速率提高模型的表达能力。通过仿真实验证明,1DCNN-GRU模型的检测性能有了提升。（3）为了解决样本不均衡导致神经网络模型无法充分学习的问题,提出一种基于SENN-Bys-GRU的网络入侵检测方法。SMOTEENN算法（SENN）以随机过抽样少数类和随机欠抽样多数类结合的方式合成新的样本数据,Bayesian优化算法（Bys）为GRU网络模型寻求一组最优超参数,最终利用GRU网络模型进行检测分类。通过仿真实验证明,SENN-Bys-GRU模型能有效提高检测的准确率并降低检测的误报率。本文研究工作的创新之处主要体现在以下方面:（1）提出了一种新的网络入侵检测方法1DCNN-GRU,将GRU网络层置于1DCNN层和全连接层之间,充分利用两种神经网络的优点,提高模型的学习能力。在模型训练时将高斯噪音添加到输入样本,增加样本的多样性,从而提高模型从输入空间中学习映射规则的能力,增强网络的鲁棒性。（2）提出了一种基于SENN-Bys-GRU的网络入侵检测方法,SMOTEENN算法合成少数类样本并剔除多数类中的噪音样本,解决了样本不充足和噪音样本的问题。最优超参数以人工全概率的方式进行搜索与尝试需要花费大量的时间和精力,Bayesian优化算法通过概率模型和采集函数只需对目标函数进行少量评估即可获得最优超参数组合。