随着计算机网络的高速发展,网络流量也呈现爆炸式增长,而在这些流量中可能会混杂着恶意的攻击流量,目前对于异常流量检测的研究可以分为传统的流量检测、基于深度学习的流量检测和基于机器学习的异常流量检测,传统的流量检测分为基于端口的异常流量检测、基于深度包的异常流量检测,但传统的异常流量检测技术无法满足网络快速发展的需求,且检测的效果不理想,基于机器学习的异常流量检测需要大量的人工标签,基于深度学习的异常流量检测是将深度学习算法应用到流量检测领域,为异常流量检测的研究提供了一种全新的思路。本文以深度学习的异常流量检测技术为研究对象,主要的工作如下:（1）提出了卷积神经网络与残差网络相结合的流量检测模型。基于卷积神经网络的异常流量检测会随着网络层数的加深而出现梯度爆炸或梯度消失的问题,导致检测精确度下降,而基于残差网络的异常流量检测方法,检测时间长,影响检测的效率。提出了卷积神经网络与残差网络相结合的流量检测模型,其主要思路是在残差网络前串联一个局部卷积神经网络,同时残差部分选择1*1,3*3,1*1的三个卷积核,这样能够极大的减少参数量。实验表明,本文提出的模型较其他模型而言,其准确率达到了 89%以上,且训练时间比残差网络缩短了 400秒。（2）对本文提出的改进残差网络检测模型进行优化,在残差网络中引入注意力机制,提高了检测准确度。将注意力机制与软阈值化函数加入到残差网络中,这样不仅删除了大量的噪音信息,同时增加关键特征的权重,实验表明相比其他的流量检测模型,基于注意力机制与改进残差网络相结合的异常流量检测模型的准确率达到了 92%以上。（3）设计并实现了校园流量检测系统。本文结合深度学习模型、Flask框架、Html5框架等完成了校园网络流量检测系统的开发,经过实验验证了校园流量检测系统的实用性。