尽管互联网技术给人们带来了极大便利,但是网络安全的问题也越发严重。网络流量类型和数量的急剧增加,产生了各种各样的安全性问题,比如不法分子可以通过修改网络流量数据进行攻击。在防护网络安全方面,流量异常检测作为关键技术之一,对维护网络的安全和稳定具有重要的意义。如何通过流量数据分辨异常数据一直是网络安全研究方向的热点课题。针对以上所述问题,在分析了网络流量异常检测的国内外现状后,研究了网络流量采集、识别等相关技术,以及生成式对抗网络在流量异常检测上的应用。在以上研究的基础上,对双向生成式对抗网络（Bidirectional Generative Adversarial Networks,BIGAN）进行了改进,构建了基于生成式对抗网络的异常流量检测模型,通过不同的流量数据集的学习样本对模型进行训练和记忆,从而检测异常流量。基于生成式对抗网络（Generative Adversarial Networks,GAN）的异常检测模型充分利用了GAN网络架构中生成器和判别器,以捕获变量之间潜在的相互作用,并利用编码器获取数据中的潜在表示,同时使用一种新的异常分数来评判异常,选择重构损失和判别损失的凸组合作为得分函数。另外,还设计实现了流量异常检测系统,其中配置管理模块主要是对采集数据的探针和用户信息的配置与管理;数据采集模块针对Net Flow格式数据进行采集,并实现数据的收集与存储,为之后的分析和检测等模块提供数据基础;数据分析模块实现流量的分类与统计处理,使用深度报文检测（Deep Packet Inspection,DPI）技术进行流量数据的分析;异常检测模块则通过改进的双向生成式对抗网络（BIGAN）实现流量数据的异常与正常数据分类。通过使用公开数据集进行实验与测试,在网络流量数据的异常检测中,验证了改进的双向生成式对抗网络的有效性,同时该系统实现了数据采集、分析与可视化等相关的功能,满足了系统的基本要求。