在信息技术快速发展的今天,网络攻击手段和发生次数日渐增加。当前,基于深度学习的主流信息融合方法在网络安全领域已经得到了广泛应用。其中,层次表示学习具备将多源化的网络流信息更好融合,进行特征提取的效果,因此研究多源信息融合在深度学习中的算法具备突出意义。网络流信息融合系统中主要的研究难点在于提出算法将网络流中的信息尽可能多的利用,如何在海量数据中提取出特征,并且克服数据利用率低下,特征单一,算法易出现过拟合等问题。在基于机器学习的背景下,本文主要研究如何提升模型对网络流量数据采集的表达能力、解决网络流特征融合的难题并提高模型对网络噪声,如数据拥塞状况的自适应能力,主要研究内容如下所示:（1）提出了基于TSNE（T-Stochastic Neighbour Embedding）算法和sim Hash的多源信息融合算法,可以有效的利用网络流信息采集中多种数据类型,多种存储方式和内容的信息。其中分为富文本类,限定文本类和时间类分别进行处理,使得最终输入进神经网络的结果更有普遍性和代表性,从中挖掘出分布式拒绝服务攻击（Distributed Denial of Service Attack,DDo S）,蠕虫病毒,反射攻击等等一系列的特征。（2）提出了基于层次表示学习的网络流信息融合算法。在机器学习的背景下,针对现有网络攻击检测方法使用特征单一,信息不全,容易出现局部过拟合,而使用图结构学习的嵌入配置过于复杂等问题,本文提出了一种基于层次表示学习网络的多源信息融合算法。首先建立网络信息流图模型,以,,flowvectordipsip（29）（29）（27）（27）的三元组形式存储,尽可能的保留了网络流量的空间特征,再基于层次表示学习的思想,对图模型依次融合,最后在神经网络中按照从粗到细的粒度逐步学习整体模型的特征。与多种现有的基于深度学习的网络检测算法对比实验表明,该融合方法能够有效的在现有方法基础上进行优化,显著提升建册率和鲁棒性。（3）设计与实现了基于上述算法的网络流信息融合系统。最终系统提供用户自行采样的功能,使用合适的模型来进行训练,将网络流复杂的数据转换为三元组存储其中,并融合HRM模型将其训练成熟。用户可以使用该软件自行检测目标网络流,并精准识别出属于DDOS攻击,蠕虫病毒攻击等多种网络安全异常状态,具备良好的实用价值。