随着时代的进步,国家的大力发展,21世纪互联网进入了高速发展的时代,因此对网络安全领域的关注度也日益提高。随着大数据时代的到来,网络不仅仅威胁到个人层面的安全,更威胁到了社会乃至国家的安全,因此关于网络安全问题的讨论在科学界乃至整个社会都是一个亟待解决的难题。同时,网络入侵检测作为网络安全防护的重要成分,也广受安全研究员们的关注。然而,开放多元化,高效便捷化的网络使得其遭受到的攻击类型多样,其中,异常检测是网络入侵的关键任务。事实上,复杂多变的网络攻击手段的增加推动着防御能力的提升,但是传统的检测技术越来越难以完成复杂的检测识别任务,其效果也是收效甚微。在多变的网络入侵环境中,传统识别手段往往是通过防火墙、用户验证、数据加密等技术,在一定程度上不仅仅缺少了检测网络入侵的智能,同时其检测结果,检测效率也不尽如人意。因此,安全研究员们需要研究更加智能更加高效的技术,并将之运用于网络入侵异常检测中。本文的主要研究内容如下:（1）选用入侵领域中较为权威的NSL-KDD数据集进行数据分析和处理以便模型进行计算,并根据输出类别,将数据集划分为二分类以及多分类等两种检测方式。（2）在二分类问题中,研究表明,有监督学习中的集成学习算法比之常见的有监督学习算法的预测识别效果更好,但是运行效率相比而言较为低下,同时训练集中全为正常行为的Auto Encoder比之含1%攻击行为的该算法的识别效果更好,运行效率也更高。（3）在多分类问题中,由于Auto Encoder算法只能作为二分类问题的网络入侵检测,无法作为多分类问题的网络入侵检测,因此该算法不具有普适性。同时,研究结果表明,有监督学习中的集成学习算法会受到数据不均衡的影响,从而导致准确率异常低下。（4）由于上述提到的模型均为静态模型,无法适应变化的场景。因此,本文建立了深度强化模型——DNN-DDQN,实验结果表明,该算法在NSL-KDD数据集中性能有所提升,在二分类问题上达到了97%的准确率,在多分类问题上达到了74.73%的准确率,但是在运行效率上明显比上述的所有算法要慢很多。