随着信息技术的不断变革,网络应用已覆盖人们日常生活的各个领域,成为人们日常生活中的重要组成部分,使人们日常生活变得更加便捷高效。但同时也带来了一系列问题,比如信息泄露以及网络诈骗等问题。因此如何确保网络信息安全是当前各研究较为关注的问题。并且随着互联网技术的极速发展,网络攻击方法也逐步向智能化、复杂化转变,传统的网络异常检测方法已无法满足当前环境所需的高识别准确率、低误报率的要求。当前网络异常检测技术仍然存在两方面问题:(1)传统的机器学习方法存在模型识别分类效果较差的问题,尤其是在多分类领域,并且需要人工设计能准确反映流量特性的特征集,当前,选择并提取一组符合模型设计的特征集仍存在较大的困难,是目前尚未解决的问题。(2)缺乏标记的训练数据,在有限的标签数据情况下训练出的网络异常检测模型检测准确率较低,如何利用不同数据源的网络流量数据来共同训练网络异常流量检测模型也是一个尚未解决的问题。本文针对传统网络异常检测模型存在的以上两个问题,将深度学习技术和协作学习技术引入到网络异常检测中,优化检测模型,使其达到较好的检测识别效果。通过研究卷积神经网络、BiLSTM网络以及协作学习技术在入侵检测领域和僵尸网络检测领域的应用建模能力,进一步优化检测模型,提升其分类识别能力,解决了部分传统网络异常检测模型存在的问题,并拓展了深度学习以及协作学习技术在网络异常检测领域的应用范围,具有较高的研究意义。该方法有效解决了需要人工选择特征以及缺乏标记的训练数据的问题,能够在不共享隐私数据的情况下利用多源数据共同训练同一模型,提升了网络异常检测模型的检测性能,并保护了数据隐私。