近年来随着科学技术的发展,越来越多的高新技术应用到计算机网络中,给人们的生产和生活带来了极大的便利,同时我们的各种私人信息不断地上传到网络中,包括我们的财产信息、身份证信息、位置信息、浏览网站信息等等都被完完整整地保存到了网络中。越来越多的不法分子通过网络攻击非法获取人们的信息。传统的网络安全措施已不能满足人们对信息安全的需求。随着机器学习技术的不断发展,机器学习对数据信息的提取能力越来越强大,对各类问题的分类性能不断提高,将机器学习技术应用到入侵检测系统中成为了越来越多科学家的研究课题。入侵检测问题的本质是分类问题,机器学习中分类方法有很多,包括卷积神经网络、朴素贝叶斯、SVM等等,这些算法在平衡数据集上有很好的分类性能。然而入侵检测数据集是不平衡数据集,网络攻击的样本数量远少于正常网络的样本数量。上述算法在不平衡数据集上的分类性能较差,甚至不能识别少数类样本,而且训练速度较慢。为了解决这些问题,本文提出将机器学习中的卷积神经网络算法和随机森林算法应用于入侵检测模型中,有效提高了模型整体分类的准确率以及少数类的识别率。本文的主要工作包括以下几方面:首先,针对目前网络入侵检测模型中所存在的训练速度慢、检测率低的问题,本文提出一种基于卷积神经网络的网络入侵检测模型。通过在模型中增加卷积层和池化层的数量,使模型能够对数据中的高维信息进行充分提取,提高模型对网络数据的检测率,同时使用基于RANDOM＿SMOTE的重采样算法,降低数据集的不平衡率,进一步提升模型在CICIDS2017数据集上的检测率。最后在模型中使用基于特征重要性和相关性分析的特征提取方法对CICIDS2017数据集进行初步特征选择以减少输入数据量,从而减少模型的训练时间。其次,针对目前网络入侵检测模型对不平衡数据集中少数类检测率低的问题,本文提出一种基于随机森林算法的网络入侵检测模型,随机森林算法在不平衡数据集上分类性能较好,将随机森林算法与改进的SMOTE算法(K-SMOTE算法)相结合,提高模型对少数类的检测率。最后,提出一种基于卷积神经网络和随机森林的网络入侵检测模型。模型先使用卷积神经网络对正常类和攻击类进行划分,再使用随机森林算法对14个攻击类进行划分。最后通过与其它论文中的实验结果相比,可以发现本文中的模型整体分类准确率较高,并且对少数类的识别率也较高。