随着互联网技术的高速发展,网络安全已成为日益严重的问题,入侵检测技术在其中的地位也与日俱增。传统的技术手段对高维非线性数据捉襟见肘,研究者将深度学习引入到入侵检测领域中,使得它在理论上有了新的突破。但仍存在检测率低、误报率高等问题。所以通过不同的手段提高检测效果及自适应能力是该领域的研究重点。本文在深入了解入侵检测和深度置信网络的基础上,结合KDD CUP99数据集的特点,选取对比散度算法和XGBoost算法进行研究。结合对比散度算法易学习能最大程度地拟合输入数据的特点,对数据进行特征提取,及XGBoost算法良好的分类性能,使其取代深度置信网络的分类决策层,提出了DBN-XGBoost混合模型;针对现有网络结构优劣对网络的处理能力有很大的影响,引入差分进化算法,设计了DBN-XGBoost混合模型来优化结构和参数设置。最后,通过KDD CUP99数据集对设计的模型进行仿真实验。首先选用了四层深度网络结构“122-80-50-25-5”,从准确率、响应时间两指标进行了混合模型与单一模型的分类识别对比实验;紧接着,为了验证深度置信网络的非线性降维优势,进行了与主成分分析法、线性判别分析法的对比实验,最后,在第一隐藏层节点数设置为130的基础上,经差分进化算法,形成了优化后DBN结构,并进行了同层次DBN结构的对比实验,与此同时,对改进后的DE-DBN模型和DBN进行训练,迭代更新,并对实验结果进行分析,结果表明,改进后的算法显著提高了检测效率。图23幅;表12个;参52篇。