在网络安全信息系统中,入侵检测技术保护使用者的信息安全不受不法分子的侵害。以往的入侵检测系统主要通过对比特征库或者通过分类、聚类的方法进行学习。上述检测方法的核心都在于如何准确选择入侵特征,只有更加深刻地理解了特征才能使入侵检测系统具有强大的自适应性和高准确性。现代入侵检测面临着难以检测变种攻击、系统检测性能较差的考验。本文将深度学习和传统入侵检测系统相结合,来解决上述考验。设计并实现了一个将深度信念网络DBN和支持向量机SVM相结合的入侵检测系统模型。数据集采用NSL-KDD网络通信数据集,该数据集在安全领域具有权威性。对数据集进行冗余清洗、数据类型转换、归一化等处理操作。采用基于概率质量函数PMF编码的数据转化方式,可以获得低冗余、低维度的标准数据集。由于深度学习在特征学习方面具有优良的表现,利用深度学习的DBN模型来对标准数据集进行特征学习,能从本质上提取出网络攻击的低维特征,使模型的适应新型攻击能力得到提升,从本质上区分网络行为是否具有入侵性。SVM分类器的分类能力很强,对低维特征的分类尤其显著,因此选用SVM对攻击行为降维后的特征指标进行分类,能较好地特高系统的检测率。对整个DBN-SVM模型进行参数调优,如批处理大小、节点个数、网络层数等,以获得最优的检测性能。调优后将测试集数据通过模型检测,并与传统模型的检测能力进行对比。实验数据显示,基于DBN-SVM模型的入侵检测系统能够对数据集中的攻击行为进行有效的检测分类,相比传统模型的检测能力有明显的提升。证实了基于DBN-SVM的模型对入侵检测系统检测的能力提高确有帮助。