当代互联网已成为国家发展战略的关键,互联网与人们的生活越来越息息相关,网络攻击检测工作也因此面临巨大挑战。网络异常检测的准确性与及时性决定了当前所使用网络的可用性和可靠性,然而面对高速大规模的互联网环境,网络数据维度不断增加,网络攻击手段也越来越隐蔽,很多传统的网络异常访问检测技术无法高效准确地检测到网络异常,难以满足网络安全的要求。生成对抗网络（Generative Adversarial Network,GAN）是一种采用对抗策略机制的基于深度学习的模型框架,它能够弥补传统方法在训练过程中需要大量异常数据的不足,因此本文基于生成对抗网络提出了一种能够有效检测网络访问异常的方法。首先,针对网络异常访问数据中存在的特征冗余、数据值缺失等问题,本文通过分析其他未缺失样本的数据特征对数据进行预处理,主要采用的方法有符号性特征数值化、缺失值填补、数据值标准化和数据值归一化,将其转化为可用于后续实验的数据。其次,提出了一种基于生成对抗网络的网络异常访问检测框架。该框架通过生成对抗网络中的生成器产生“假”数据,解决传统的异常检测中异常数据较少的问题。为了解决原始GAN中存在的模型难训练的问题,本文设计两种生成对抗网络的衍生模型:一是使用长短时记忆网络来替换原始GAN中的判别器和生成器;二是在生成对抗模型中加入编码器。实验结果表明,基于生成对抗网络的网络异常访问检测算法和传统的算法相比,性能指标和稳定性都有明显的提高。相比于传统方法,使用原始GAN有1%的提升,而基于长短时记忆网络的模型相比于传统GAN有1%的性能提升,基于编码器的模型相比于传统GAN有15%的性能提升。最后,分析并设计系统功能模块,开发基于生成对抗网络的网络异常访问检测系统,并对系统得出的结果进行可视化展示。该系统可以实时更新各种网络异常类型以及检测到的所有异常数据,有助于网络异常检测的验证及分析。