随着汽车行业与互联网行业的飞速发展,车载网已与人类现代生活结合的越来越紧密。通过入侵车载网系统,黑客可以干扰车辆的正常运行,直接威胁到用户的生命和财产安全,从而对社会造成极大危害。因此,对于车载网CAN总线入侵检测相关技术在车载网安全与人民生命财产安全保障领域具有重要的应用价值。在对已有模型分析的基础上,针对其中的不足,采用目前较先进的算法,分别对其进行融合与改进,实现了基于深度学习的车载CAN总线入侵检测主要技术。各部分的主要研究内容如下:第一,面向已知攻击的轻量级CAN总线入侵检测方法研究。现有的深度学习方法存在准确性与实时性的矛盾,针对目前深度学习模型应用于车载网络CAN总线入侵检测系统过于厚重从而导致缺乏实时性,对现有Inception-ResNet模型进行适应性优化和实时性简化。随后通过实验与其他先进方法作对比,以证明其方法同样具有有效性。第二,面向未知攻击的小样本CAN总线入侵检测方法研究。针对难以获取大量数据以支撑深度学习模型训练的问题,以小样本检测为方向,设计了融合迁移学习与启发式规则的入侵检测模型（CANTransfer+H）,通过与其他迁移学习模型和其他融合启发式规则的深度学习模型对比,证明该方法在性能上有所提升。第三,面向不平衡样本的多样性CAN总线入侵数据生成技术研究。再次以数据样本不足为出发点,将对数据样本多样性扩充作为研究方向,进一步针对现有GAN模型生成数据不稳定的问题,提出一种融合进化计算理论与多个生成对抗网络协同运行的多样性数据生成模型,并通过生成数据反过来验证前两个模型的检测效果,采用IS和FID两个指标在已有公开数据集上对模型性能进行测试与验证。最后基于上述模型及算法,设计并实现了基于深度学习的车载CAN总线入侵检测系统,该系统可以在数据样本不足的条件下,实时检测车载CAN总线中的入侵行为,也可以生成多样性CAN总线入侵数据,以供模型学习,以及相关从业人员对未知攻击进行检测。