新一代汽车车载功能应用越丰富，汽车联网需求越强烈，汽车与外界的交互更频繁。然而交互越多，汽车网络安全薄弱暴露越严重，汽车网络安全攻击案例近年来逐步递增。更多和更频繁的网络链接导致智能网联汽车网络攻击面越广，汽车底层网络面临日益严重的网络空间安全(Cybersecurity)威胁渗透。本文从新一代汽车网络空间环境出发，分析新一代汽车车载网络安全薄弱。从汽车电子系统架构结构入手，分析实际网络攻击(Cyberattacks)案例呈现出的车内网络安全薄弱。捋清车载网络攻击面和汽车车内网络攻击链，并统计归类近年来涉车网络攻击案例和产业和标准组织发布的涉车规范和标准。汽车车载网络安全威胁日益严重，本文聚焦车内网络安全，研究基于深度学习的车内网络入侵检测技术。结合生成对抗网络(Generative Adversarial Network, GAN)模型特点，本文提出多种基于GAN模型的车内网络入侵检测技术，主要工作如下：
　　本文提出用于车内网络入侵检测的GAN深度学习模型。分别优化判决器和生成器，提出基于优化判决器的GAN模型车内网络入侵检测方法和基于优化生成器的GAN模型车内网络入侵检测方法。基于优化判决器的GAN车内网络入侵检测方法，优化神经网络模型和损失反馈，重组损失函数，主要使用正常数据集和高斯噪声分别训练判决器和生成器，辅以少量攻击数据周期性间断地参与判决器训练，科学合理设置对比试验。比其他基于GAN的车内网络入侵检测模型相比，本文提出的GAN模型性能好、模型更简单，并具有五分类能力。上述GAN模型检测64个CAN消息帧耗时0.12±0.03毫秒，模型的测试准确率最高可达99.88%。在上述优化的基础上，深入改造生成器损失函数，逐渐减少攻击数据集训练模型的参与度，仅让攻击数据参与计算损失反馈，本文提出基于优化生成器的GAN车内网络入侵检测模型，模型测试准确率最高可达97.96%。
　　基于真实攻击数据集获取难度高和训练集对深度学习模型的关键作用，本文提出面向攻击数据缺乏情况下基于GAN的分步训练混合模型，在缺乏攻击数据的情况下，该模型测试准确率最高可达86.61%。在训练过程中，使用少量攻击数据训练重新设计的GAN模型，并利用训练好的生成器训练CNN模型，在一定程度上缓解真实攻击数据缺乏的困境。该模型为基于深度学习的车内网络入侵检测方法如何在攻击数据缺乏情况下进行训练提供新思路。