近年来,随着网络普及和广泛的应用,网络安全引起了人们强烈的关注,甚至已经已经上升到了国家战略。传统入侵检测技术存在着入侵检测方法过于单一、检测性能不能达到实际需求、自适应能力较差等诸多问题。随着网络的不断普及、网络攻击发生几率的不断增加及漏洞的频现,现有的入侵防御手段已经不能非常好的满足当下网络安全的需求。随着计算机计算能力的提高和机器学习技术的更新,DBN因自身所具有的非线性网络结构的优势以及抽取数据内在本质的特点,被广泛用于计算机视觉,语音识别和自然语言处理。为了减少当下网络安全问题的出现,同时提升其安全性,论文特别把深度置信网络算法与入侵检测进行融合。主要包括下述三个方面的内容:(1)由于入侵检测需要具有较高的自适应能力,论文提出一种基于深度置信网络改进的入侵检测算法。首先分析了传统模拟退火训练算法存在的问题,提出了一种改进的模拟退火算法;然后,为了克服由固定的经验学习率引起的系统不稳定性问题,提出了一种权重变化的自适应学习率模型;最后提出了一种基于深度置信网络改进的入侵检测算法。(2)针对高维网络数据的各种入侵行为和提取特征的难度,提出了一种基于深度置信网络和深度稀疏LSSVM(DBN-DLSSVM)的入侵检测算法。该算法使用DBN进行入侵检测数据的特征提取,并将提取的特征作为深度稀疏LSSVM的输入数据,通过深度稀疏LSSVM训练来识别入侵检测中的入侵行为和正常行为。(3)在实验过程中,对于ADBN算法,通过选择不同的参数重复实验,并依次确定RBM的迭代次数,第一个隐藏层的节点数量和最后一个隐藏层的节点的数量。比较了DBN算法和ADBN算法,从分类正确率,误报率和检测时间三个方面对入侵检测算法的性能进行了分析;比较了深度稀疏LSSVM,PCA-LS-SVM和DBN-LSSVM算法,从分类正确率,误报率和检测时间三个方面对入侵检测算法的性能进行对比分析。