针对现有海量非平衡数据集中入侵检测系统检测率低的问题,提出一种基于深度信念网络的异常检测方法,将深度信念网络和机器学习的部分算法引入入侵检测领域中,探索相关的数据处理方法在入侵检测领域应用的可用性和有效性。结合入侵检测的工作流程及相关机制,提出基于深度信念网络的异常检测框架,基于该框架开展其他工作。针对现有海量数据集中数据类别比例严重失衡的特点,提出了一种基于合成少数类别样本和深度信念网络的异常检测的方法。首先,在入侵检测的数据预处理模块,利用合成少数类别技术增加了数据集的均衡性,并通过改进合成少数类别技术增加了具有更多少数类别特征的少数类别样本,在一定程度上提高了对入侵检测的检测率。其次,在数据处理模块,根据深度信念网络具有较好的非线性学习能力的特征,选取三层叠加的受限玻尔兹曼机和单层BP神经网络对高维数据进行降维处理。最后,选取了有效的softmax分类器解决入侵检测的多分类问题。在实验部分,对网络结构的迭代次数以及激活函数进行了讨论,并设置了节点单元的随机失活率,增强网络的鲁棒性;对合成少数类别样本方法的有效性进行了验证;在KDD 99数据集和NSL_KDD数据集上与其他算法进行了对比,验证了本文算法的有效性。该论文有图36幅,表11个,参考文献59篇。