在当前大规模复杂网络环境下,网络流量异常检测一直是网络安全领域内最为活跃的研究分支之一。它能够对网络中的流量数据进行检测,及时发现异常的网络活动,从而做出预警,是保障网络安全的关键技术。随着信息网络技术的迅速发展,网络类型逐渐多元化,并且网络规模也不断扩大,网络流量数据也越来越复杂,呈现出多源化和异构化特征,为网络流量异常检测工作带来了巨大的挑战,如何提高网络流量异常检测的准确性和效率成为了该领域的热门研究课题。因此,论文利用自学习的GRU（Gated Recurrent Unit）深度神经网络以及Spark大数据处理技术以实现网络流量异常的高精度和高效率检测。论文主要研究工作如下:针对大规模复杂网络环境下的网络流量数据具有海量、多源以及时间依赖特性等特点,结合GRU神经网络和Spark大数据平台,提出一种基于GRU的并行网络流量异常检测模型及方法设计。系统模型层次化地分为网络流量数据采集层、网络流量数据预处理层、网络流量异常检测层和应用服务层。网络流量异常检测层的核心为设计基于GRU的并行网络流量异常检测方法,该方法以GRU网络作为检测模型对网络流量的时间依赖模式进行学习,实现了长时期依赖情景下的高精度网络流量异常检测。并且,整个模型借助Spark大数据处理技术的并行优势,大大提升了异常检测的效率。最后,基于提出的模型,实现了相应的原型系统,并验证了其有效性。考虑到并行GRU训练模型之间存在个体差异性,会导致整体检测精度下降的问题,引入集成学习算法Bagging对GRU并行网络流量异常检测方法进行改进,提出一种基于Bagging改进的GRU并行网络流量异常检测方法（PB-GRU）。Bagging算法以并行拟合的方式对GRU检测模型进行训练,利用模型平均法降低GRU训练模型之间的均方误差,改善泛化误差,提升集成GRU检测模型的检测精度。实验结果表明,与普通的神经网络方法和其它常用方法相比,所提方法将集成检测器的均方误差降至了极低的水平（0.0178）,并且具备更高的检测精度和效率。针对网络流量特征存在大量冗余,且GRU网络调参过程复杂及耗时的问题,利用遗传算法（Genetic Algorithm,GA）优化GRU并行网络流量异常检测方法,提出一种基于GA优化的GRU并行网络流量异常检测方法（PG-GRU）。该方法先利用遗传算法对流量数据的输入特征进行选择和约简,以降低GRU检测器的负担;然后对GRU的网络参数进行自动化寻优,使用最优参数训练出优质的检测模型,保证网络流量的异常检测精度。实验结果表明,与单纯的神经网络方法和其它常用方法相比,所提方法在网络流量异常检测的精度和效率上都得到了很大的提升。