本文通过数据融合与深度学习神经网络相结合的方式实现了一种针对DoS攻击的检测方法。该方法首先通过深度学习神经网络计算产生各类攻击发生的初始概率分配值（BPA）,再将BPA输入改进的D-S证据理论得到攻击检测结果。本文的研究工作主要集中于数据融合方法在DoS攻击检测领域的应用,并对所应用的数据融合方法做了一定的改进。首先我们对本课题研究的背景与意义进行了简要阐述。之后,我们对数据融合技术的基本概念、融合过程、层次划分、技术优势等内容进行了简单介绍。在此基础上,我们对数据融合领域的几类关键技术进行了分析和对比。本文主要工作和创新点如下:（1）针对经典D-S证据理论中存在的一些固有问题,即在证据源之间出现严重冲突甚至完全冲突情况下数据融合结果明显不合理的问题和基础概率分配值（BPA）的获取过于依赖专家经验的问题,我们提出了改进方法。首先,经过对历年以来研究人员对经典D-S证据理论的改进的研究和借鉴,我们在经典D-S证据理论中引入了模糊隶属度fA和数据源平均支持度SA这两个概念,作为权值因子加入到合成公式中,提高了数据融合结果的准确性。我们分别从证据源之间出现严重冲突、完全冲突以及有新证据源加入这三个方面进行实验,证明了该方法相比以往方法具有一定的优越性。（2）其次,通过引入内部逻辑严密、善于逼近复杂非线性关系、收敛速度也较快的深度学习神经网络,我们可以得到更精确的基本概率分配值（BPA）。我们还对神经网络的优化算法进行了改进,新的优化算法在Adam算法的基础上做出了改进,按照历年以来深度学习优化算法的改进方式,延续Adam算法引入一阶矩估计和二阶矩估计的思路,将三阶矩估计的概念引入其中,使得学习率会相对增大,以使得算法在训练前期可以快速向最优解方向靠近,在训练后期学习率也不会过低,从而缓解了训练提前结束的问题,一定程度上防止了 Adam算法出现的可能错过全局最优解的问题。我们还引入了动态控制学习率的思想,对学习率的控制可以保证上一轮迭代过程中的学习率不小于下一轮迭代过程中的学习率,避免了自适应学习率在迭代过程中上下波动的问题,使得在训练过程中学习率单调递减,从而保证了模型最终一定会收敛。我们在多个数据集上进行了实验,与其他几种优化算法对比,验证了本文所提出的改进优化算法在收敛速度和分类精度等方面的良好效果。（3）基于以上工作,我们通过深度学习神经网络和D-S证据理论相结合的方式实现了一种针对DoS攻击的检测方法。该方法主要由数据采集、数据预处理、获取基础概率分配值（BPA）以及数据融合四个组件构成。我们通过实验环境得到数据对该方法进行验证,并与以往几种DoS攻击检测方法作对比,证明其对DoS攻击的各种常见细分攻击类型（如neptune、smurf攻击等）的检测具有很高的正确率。通过对IDS、防火墙等的日志和流量数据进行抓取分析,对网络流量中的DoS攻击进行检测,从而为网络安全的决策提供强有力的支持。