在互联网时代,计算机与人们的生活息息相关,使人们的生活得到了极大改善,但是这也出现了诸多危险。网络数据规模愈发庞大,网络中的很多威胁行为给网络安全带来了巨大隐患。网络入侵检测系统是一种保障网络安全的主动防御手段,通过收集并分析计算机和网络中各个区域的信息,实时识别出网络中的正常行为和对网络安全存在威胁的异常行为,并对监测到的异常数据进行实时响应。传统的机器学习算法虽然在入侵检测中也有明显效果,但是因其过于依赖特征工程和特征选择,随着网络数据与日俱增,没办法使入侵检测保持实时性和准确性。这几年来,无论是在计算机视觉领域还是在自然语言处理等领域,深度学习都有非常好的效果。本文为满足网络入侵检测的要求,研究了基于深度学习模型的网络入侵检测方法,主要工作如下:为了提高网络入侵检测系统的自主防御能力和正确检测率,本文研究提出了将卷积神经网络和Inception网络结构结合在一起的入侵检测模型,并将注意力机制设置在模型之中,同时添加了Drop Block层。本模型利用卷积神经网络层进行数据特征的充分提取,通过注意力机制计算各个特征的权重以区分特征的重要程度,采用Drop Block层使模型的泛化能力得以提升,在提高入侵检测的准确率同时减小模型的复杂度。在KDD99数据集上的实验表明,本模型具有更高的准确率和更强的泛化能力。为了提高检测效率和精确率,对少量数据特征进行充分学习,本文首先对KDD99数据集进行分析,将通过数据预处理操作后的结果输入到YOLOv5检测算法中,YOLOv5通过Mosaic数据增强方法将数据图像进行随机排布拼接以实现数据的扩增。在实现丰富KDD99数据集中攻击数据的同时,提升网络训练速度,然后从输入图像中提取丰富的信息特征,最后对数据进行多尺度检测,完成不同尺度特征信息的融合,对数据类型进行精准的预测和分类,以达到入侵检测的目的。该模型结构较为简单,容易部署,从而提高检测效率。