入侵一般是指在未授权的情况下,采用非法手段对信息系统资源进行窃取、篡改或破坏等行为。面对日益复杂的网络环境以及越来越多样化的入侵手段,传统的网络安全防护技术如防火墙、入侵检测等,已经很难满足网络安全的需求。入侵防御技术吸取了防火墙及入侵检测的优点,成为目前网络与信息安全领域研究的热点之一。在利用入侵防御技术对网络数据进行检测时,由于待测数据具有特征维数高和非线性可分的特点,传统的入侵检测算法往往面临着对网络数据特征提取不完整、模型分类精确度较低等问题。深度学习能够充分挖掘出数据的抽象特征,简化了繁杂的人工提取工作。然而,卷积神经网络（CNN）只能提取到网络数据的局部特征,长短期记忆网络（LSTM）只能提取单一方向的时序特征。此外,基于二支决策分类的传统入侵检测只会把网络行为归类为两种,即正常网络行为和异常网络行为,而在对网络数据提取完特征后,无论特征信息是否充分,都必须立即对其做出分类决策,这就可能导致误分类的风险。针对上述问题,本文主要做了以下工作:（1）针对网络数据特征提取不完善的问题,设计一种基于CNN-Bi LSTM的特征提取模型,利用CNN提取网络数据的局部特征,再利用Bi LSTM进行时序特征提取,从而得到对网络数据的抽象表示,并使用Focal Loss函数对模型进行优化。（2）针对网络数据分类精确度不高的问题,将三支决策理论引入到入侵防御系统的研究中,由此设计了基于CNN-Bi LSTM和三支决策的入侵检测算法（CBL-TWD）。三支决策在二支决策理论的基础上引入了边界域,对特征不足的网络数据采取延迟决策,通过CNN-Bi LSTM模型构建一个多粒度的特征集,直到获取到充分的特征信息后再对其进行划分。（3）将以上设计的改进算法在NSL-KDD数据集和CIC-IDS2017数据集上进行实验,并且与目前研究效果比较好的特征提取方法以及分类方法进行比较,证明使用CNN-Bi LSTM模型具有更好的特征提取效果,利用三支决策在对不确定的网络行为进行划分时能够有效地缓解误分类问题。（4）根据所设计算法对入侵防御系统进行功能设计和部署,并利用相关的测试工具开展实验,证明基于CBL-TWD的入侵检测模型在入侵防御上的可行性。