计算机网络具有开放性和互连性,由于网络在设计之初对安全性考虑不足,致使网络易受黑客、计算机病毒和其他恶意的攻击。入侵检测作为一种主动防御技术,在网络安全领域占有重要地位。传统的入侵检测技术面临着准确率低、检测效率低和误报率高的问题,如何提高入侵检测的准确率和效率以及降低入侵检测的误报率,仍是安全人员面临的一个重要课题。本论文以网络入侵检测为研究内容,提出了一种基于深度学习和概率神经网络的入侵检测模型,并结合粒子群算法的优化理念,用粒子群算法确定深度自动编码器的结构和概率神经网络的散布常数,以提高入侵检测的效率和准确率。主要研究内容包括:(1)入侵检测数据分析和预处理:对入侵检测数据进行了深入分析,分析了入侵检测数据的特点,对比了入侵检测数据集KDD99和NSL-KDD的区别和联系;对入侵检测数据进行了预处理,包括数据清洗、编码、抽取和整合以及归一化。(2)基于概率神经网络的入侵检测模型及优化:重点研究了概率神经网络算法,针对概率神经网络的散布常数取值问题,采用粒子群算法寻找散布常数的最优值,以提高概率神经网络的分类效果;使用Matlab对模型进行了构建,利用数据集进行了模型的性能测试,验证了优化算法的有效性。(3)基于深度学习和概率神经网络的入侵检测模型:结合深度学习理论,使用深度自动编码器对实验数据进行特征提取。通过多次实验对比的方法,确定了深度自动编码器的迭代次数、隐含层个数。用优化的思想解决深度自动编码器隐含层节点数目的确定问题,使用粒子群算法寻找到隐含层较佳的结构。然后构建了基于深度学习和概率神经网络的入侵检测模型,通过对模型的训练和测试,表明这种方法有效的提高了入侵检测的速度。(4)原型系统的搭建和测试:搭建原型系统来测试基于深度学习和概率神经网络的入侵检测模型在真实网络环境下的可行性,通过模拟网络攻击,表明这种模型在真实的网络环境中具有一定的可行性。