随着网络技术的快速发展和广泛应用,网络安全成为人们日益关注的话题。作为信息安全领域的重要技术,入侵检测通过积极主动的防御手段,适应快速变化的网络攻击形式,保障网络和系统的安全。近年来深度学习成为学术界的焦点,在图像处理、语音识别、文本生成等方面取得了巨大进展。深度学习强大的分类能力也启发着入侵检测领域的发展与更新。越来越多的深度学习算法被引入至入侵检测中。本文主要研究了基于深度学习的入侵检测技术,从防御与攻击两个方设计相关模型。在防御方面,由基于传统机器学习的入侵检测算法出发,利用最新的深度学习算法对入侵检测技术进行了改进。在攻击方面,根据深度学习算法提出了对抗性入侵流量样本生成算法,为未来入侵检测系统的优化提供了新的思路。本文的主要工作和创新点具体阐述如下:首先,基于常用的传统机器学习方法,实现入侵检测模型。根据检测指标数据,分析各算法的检测效果,为后续研究工作提供参考。随后,基于深度学习方法,构建基于字符级卷积神经网络的入侵检测模型。此模型优化了数据预处理过程,强化了模型的检测分类能力。较传统机器学习方法和常用的深度学习方法,模型的检测效果有了较大的提升。最后,基于生成模型,首次提出了基于生成对抗网络的入侵流量生成模型。利用博弈论思想,生成能够逃避入侵检测系统检测的对抗性入侵流量,检测入侵检测系统的鲁棒性。