近年来,互联网的迅速发展为人们的生活带来了极大的便利,社会的生产方式发生了巨大的变化。但随之而来的是不断增加的网络攻击,国家安全、企业安全、个人安全都面临重大挑战,作为检测和抵御网络攻击的重要手段,入侵检测系统一直是学术界和工业界的关注重点。目前,基于网络的入侵检测系统主要使用机器学习和深度学习方法,机器学习对处理大规模的数据具有局限性,同时机器学习的算法性能取决于识别和提取的特征的准确性,而深度学习可以处理大规模的数据,而且省略了机器学习需要手工提取特征的过程,直接通过训练自动识别高维度特征,大大降低了人工选择特征的难度。如今,深度学习技术在入侵检测方面发挥了重要作用,已经取得了良好的检测效果。然而,深度学习也存在一定的局限性,即:缺乏可解释性仍旧是实践中采用深度学习模型的重大障碍,复杂的模型让我们无从得知它做出决策的原因。这也阻碍了基于深度学习的入侵检测系统的进一步发展。针对上述问题,本文设计和实现了基于CNN和LSTM相结合的GC-IDS（CNN+Bi-GRU based Intrusion Detection System）模型,以提高入侵检测系统二分类任务和多分类任务的识别性能。进而采用目前流行的机器/深度学习模型可解释技术,对GC-IDS模型进行解释,增加模型的可信度,了解模型中对检测入侵攻击的关键特征要素,这对于进一步提升模型的性能,降低误报率都有积极的意义。本文的贡献如下:（1）提出了一种新的基于深度学习的入侵检测模型GC-IDS。与已有的入侵检测模型相比,该模型在二分类和多分类上都具有更高的准确率。（2）应用模型解释SHAP（Shapley Additive ex Planations）方法,对入侵检测深度学习模型进行局部解释和全局解释,以提升深度学习模型的透明度。实验证明,该方法识别出的特征符合各攻击的原理,具有良好的健壮性和泛化能力。（3）构建并实现了一种基于深度学习和XAI（Explainable Artificial Intelligence）的入侵检测系统。该系统使用本文提出的深度学习模型并且应用模型解释技术,在提升系统准确率、降低误报率的同时提升了系统的解释性。可解释的系统提升了用户信任度并可为用户提供决策依据。