互联网技术的发展给人们带来了便利,但网络安全也随之成为互联网产业界关注的问题。随着网络通信技术的快速发展,网络流量呈现爆发式增长,而且网络软硬件设施本身存在安全漏洞,现有的防火墙技术难以应对安全隐患,传统的检测方法无法满足当前网络环境下的入侵检测需求。目前基于网络流量数据的入侵检测研究逐渐得到重视。网络流量数据具有高维性和复杂性的特点,如何在计算资源受限的条件下实现攻击识别和攻击分类,已成为网络攻击检测研究中面临的挑战。本文采用人工智能算法进行网络流量的特征自动选择和攻击识别,通过卷积自编码器及注意力机制研究网络攻击分类。本文的主要工作如下:（1）针对网络流量特征的自动选取,设计了基于轻量梯度提升机（LightGBM）的特征自动选择模块。先采用k-means算法生成伪标签,然后构建LightGBM进行特征自动选择。针对网络攻击识别,通过卷积自编码器计算特征与异常的相关性,再利用k-means计算聚类之后簇的大小与异常的相关性,结合两者实现网络攻击的判定。在7个基准数据集上的实验结果表明,本文基于LightGBM的特征自动选择模块能有效选取网络流量数据特征,基于卷积自编码器和k-means的攻击识别模块能够有效识别网络攻击。（2）针对网络攻击分类问题,提出了基于注意力机制的攻击分类方法。由于不同特征对攻击分类的贡献不同,为区分不同特征的重要程度,设计了一种层级注意力机制,对关键特征赋予较大权重。然后使用卷积自编码器和层级注意力机制实现特征提取。为解决特征提取降低攻击分类效果的问题,在攻击分类模块,设计两个随机森林（RF）分别对预处理数据和特征提取后的数据进行判别,两者投票决定最终的类别。（3）在攻击识别实验中,从参数敏感性、空间代价以及识别效果三个不同角度对实验结果进行评估。分析了本文方法的优劣,验证了方法的有效性。在攻击分类实验中,对2个基准数据集的评估表明,结合注意力机制的卷积自编码器能有效提取特征,采用RF的投票法能够区分稀有攻击。与基线方法对比,验证了方法的有效性。