随着互联网与生活的日益融合,网络拓扑结构和连接设备也越来越复杂,网络安全的重要性也越发突出。网络检测技术在维护网络安全方面发挥重要作用,主要工作是对当前网络状态进行连续检测,通过检测发现网络中的异常行为状态,及时预警提醒网络管理人员。网络检测系统的及时性和准确性关乎当前网络的可用性和可靠性。本文首先研究了将深度学习技术应用于网络入侵检测领域,借助深度学习算法自动提取入侵数据特征的能力,避免人工筛选特征的工作,提出了一种基于改进卷积神经网络的入侵检测方法。该方法主要做了两方面改进:一方面使用Inception模块的多尺寸卷积和多层次特征融合强化对入侵数据特征的提取,在特征维度构建稀疏结构,取代卷积层单一的特征提取方式;另一方面是对池化层的优化,搭建并行降维结构取代池化层降维的操作,规避了池化层降维可能带来的特征瓶颈问题。本文使用NSL-KDD数据集训练和评估改进卷积神经网络的入侵检测模型,仿真结果体现了改进卷积神经网络的检测方法的准确率和模型收敛速度都优于卷积神经网络的检测方法。本文提出的检测方法是适用于大规模入侵数据处理的有效和可靠的检测方法。其次,本文研究了网络流量异常检测方法,采用时间序列的自回归模型预测网络流量变化。针对残差比检测方法中存在的静态阈值问题,本文提出了基于信誉值管理的检测算法,将静态阈值的判决结果转为正负反馈,通过计算连续观察点的信誉值累积,从而判断网络流量的异常行为。本文使用OPNET工具模拟一个小型网络,仿真结果显示本文提出的异常检测算法精度更高,降低了误报率,削弱单个观察点对异常检测的影响,考虑多个连续观察点的共同变化,准确的体现了网络流量变化的特征。