由于网络中的攻击类型日益增多,攻击方法日益复杂,传统的入侵检测技术在判断入侵分类时准确率偏低、漏报率偏高;基于机器学习的入侵检测技术使入侵分类的准确率得到显著提升,但随着网络安全问题日益复杂,攻击手段不断变化,基于机器学习的入侵检测技术面临着新的挑战。本文就目前入侵检测系统对数据多分类的准确率有待提高的问题,提出了基于深度学习的多分类入侵检测方法。主要研究工作如下:（1）提出了基于卷积神经网络和双向长短时记忆网络串联的多分类入侵检测判别方法。针对入侵检测系统中模型较单一,对入侵检测5分类（Normal、DOS、R2L、U2R、PROBE）研究较少且准确率较低问题,利用卷积神经网络对入侵检测数据集中的特征进行局部提取,然后和双向长短时记忆网络串联实现对特征长距离依赖信息的提取,提高了入侵检测5分类的准确率;在此基础上,为增强网络安全管理能力,开展了对入侵类别进一步细化为更多种分类的研究,具有一定的实用性;（2）在CNN和BiLSTM串联的模型基础上研究不同的注意力机制对入侵分类准确率的影响。不同的注意力机制对数据中特征的权重计算方法不同,导致模型训练时对各个特征的关注程度不同,因此本文通过研究不同的注意力机制对入侵分类准确率的影响,对上述入侵检测判别方法进行了优化,分别选出了适合入侵检测5分类和细化成更多种分类的注意力机制;（3）针对入侵检测数据分布不均衡问题,提出了改变标签权重值、过采样和欠采样方法。在保证入侵检测5分类和细化成更多种分类中多数类样本分类具有较高精确率的情况下,给出提高少数类样本分类精确率的方法;（4）基于深度学习的多分类入侵检测系统设计与实现。使用本文提出的入侵检测模型,设计并实现基于深度学习的多分类入侵检测系统,能够检测不同的攻击类型并对入侵检测结果可视化。