随着物联网技术和通信技术的发展,相应的软硬件设施呈现指数级增长,人们越来越习惯于网络服务、应用软件、网站应用等平台带来的生活便利,在网络中的交互变得越来越频繁。但是网络中存在的安全隐患却时刻威胁着人们的信息安全。虽然人们为了保护网络安全提出了各种资源许可、加密或者身份认证等保护机制,但是攻击者总能通过非法的手段破坏网络系统,获取用户的重要信息。因此异常网络流量检测作为一种附加的防护手段是十分必要的。异常网络流量检测依赖于流量数据在不同时间上的收集、过滤和分析。为这些数据的交互建立检测模型,能够更好地理解网络的结构和动态。过去,基于深度学习的时间序列异常检测主要通过空间特征进行建模或者时间特征进行建模。最近,为了更好的利用时间和空间特征,出现了卷积神经网络和长短时记忆网络的串联结构模型,该模型首先通过CNN提取空间特征,然后串联LSTM提取时间特征,但是由于结构堆叠的原因,时间特征可能会受到卷积操作的影响,失去时间依赖性,导致LSTM无法提取时间序列中的大部分时间特征;同时,现有的深度学习算法只是对整条时间序列数据进行分析得到整体的类别,不能确定时间序列中每个时间点对应的流量数据的类别。针对以上两个问题,本文提出了改进方案,主要的创新性工作如下:（1）针对现有的串联结构模型存在的时间特征被破坏,模型表达能力不强,影响异常流量识别精度的问题,提出了一种基于二维CNN、LSTM、一维CNN和DNN结合的并-串联结构的神经网络模型,来学习不同粒度级别的特征,完成网络流量的异常检测。并联结构模型在多个研究领域中被使用,但是在异常检测任务中很少被提及,并且本文在CNN和LSTM并联结构的基础上增加了一维CNN结构,来进一步提取CNN和LSTM输出的局部和全局特征,以此提高模型的表达能力。并且一维CNN的模型参数较少,不会增加额外的训练负担或者降低训练速度。本文通过公开的数据集验证了该方法的可行性。（2）针对现有的异常检测方法不能确定异常点的问题。提出一种基于全卷积神经网络的流量异常数据点检测方法。首先把时间序列转化成灰度图片,然后把图片中的异常像素点作为检测目标,把正常的像素点作为背景,人工设计标签集,把异常检测问题转化为目标检测问题,然后通过全卷积神经网络对灰度图片中的像素点进行分类,确定每个像素点是正常或异常,最后通过反卷积操作,把输出的分类结果还原成图片的形式。还原的灰度图片不仅能够确定异常数据点的位置,而且能够根据异常点的分布确定网络中存在何种攻击。