入侵检测作为保障信息安全的重要手段一直受到了研究者的关注。互联网已成为人们生活中的必需品,但网络攻击随着互联网的发展而变得越来越难以检测并且危害更大。近年来机器学习和深度学习在数据处理和数据预测领域大放异彩,让入侵检测的研究者眼前一亮,机器学习和深度学习可以在互联网的海量数据中区别出正常数据和非正常数据,为入侵检测提供了新的方法。传统的入侵检测方法在对数据进行处理分类时常使用单一的分类器,总是很难对所有类型的数据进行准确的分类,也难以识别数据中从未出现过的新的攻击类型。常用的特征选择方法也常常忽略数据之间的相关性,影响了进一步的分类准确率。针对以上问题,本文做了以下工作:(1)针对多种类型数据,本文提出了一种基于多步分类的多种分类器组合的入侵检测方法。该方法建立了多分类型模型,改进了特征选择方法,更加关注特征之间的相关性;对数据中的多种类型分析时,采用针对某种类型分类效果最佳的分类器,经过多次分类完成数据的分类工作。经KDD CUP 99数据集实验,结果表明该方法对多种类型的数据分类具有显著效果。(2)为了进一步提高检测准确率,提出了一种基于CDBN(卷积-深度信念网络)的入侵检测方法。该方法首先将字符型的数据特征转换为数值型的特征,再扩充特征的维度并将其一维向量特征转为二维的矩阵特征,同时,将批归一化(Batch Normalization,BN)层加入到卷积神经网络的卷积层后,减少神经网络模型训练时间,降低模型出现过拟合的概率。随后利用RBM堆叠深度信念网络并进行微调,组成CDBN神经网络。最后使用CDBN网络对数据进行识别分类。使用KDD99数据集验证文中所提出的方法,结果表明文中提出的方法在提高入侵检测的分类准确率方面得到了较好的效果。本文分别从机器学习和深度学习的角度对入侵检测做了深入细致的研究,为实现基于机器学习中分类算法的研究做好了铺垫,最后通过实验证明了该研究的重要性和可行性。