现如今,互联网技术飞速进步,信息安全问题逐渐进入人们视野。入侵手段的多样化以及存储数据的爆炸式增长使得传统的入侵检测手段已经不能满足当前网络安全的所有要求。现阶段已有的基于溯源的入侵检测方式存储数据量过大,时间开销较大,检测准确率较低。针对现阶段入侵检测技术在检测效果和空间开销上的问题,提出将卷积神经网络技术与溯源入侵检测技术相结合以提高检测方式的可用性。针对数据量过大的情况,提出将溯源图信息转化为特征向量的方法,该方式通过为溯源图信息中的各个节点分配节点重要度选取出中心节点,并为中心节点构建邻域进而生成了卷积神经网络可处理的向量信息,减少了检测数据集的存储空间;针对检测准确率较低的问题,构建了应用于溯源数据的卷积神经网络模型,通过提取溯源图中节点间的依赖关系及属性等特征信息来对未知攻击做出预测,使得检测结果更为精确。实验结果表示,论文中提出的检测方式比基于溯源图和溯源路径相结合的入侵检测系统检测准确率提高了1%～37%,检测时间缩短了5%～25%,存储空间降低了1%～24%;与基于溯源的实时误用检测算法相比检测准确率提高了32%～72%,检测时间缩短了80%～99%,存储空间降低了87%～99%。