入侵检测技术的研究在网络安全领域中受到了广泛的重视,目前网络攻击手段层出不穷,新的入侵检测技术亟待研究。把卷积神经网络应用到入侵检测技术领域已被广泛认可,一般地认为层次越深的网络结构其在特征提取、检测准确率等方面就越精确。但也伴随着梯度弥散、泛化能力不足且参数量大准确率不高等问题。针对当下入侵检测技术领域中存在的难点,本文引入了一个基于密集连接卷积神经网络的入侵检测模型,而且对该网络模型进行了深入的研究和改进。本文主要工作包括:(1)本文将密集连接卷积神经网络结构应用到入侵检测中,并通过实验探究得出效果最优的密集连接网络结构。实验结果表明在KDD99数据集上深度为102和宽度值为32的密集连接网络结构效果达到最优性能。以达到解决在训练过程中出现的参数量大、梯度消失问题。(2)本文在对数据的预处理方法上进行了改进,包括对数据的数值化(独热编码)、归一化、矩阵转换、矩阵的放大(双三次插值法)将原始数据集转化为最适合神经网络输入的数据,达到解决检测率低的问题。(3)本文引入混合损失函数定义,针对卷积神经网络中损失函数模块所存在的缺陷提出对其改进,将softmax loss和改进后的center loss结合,应用到所提出的密集连接卷积神经网络的入侵检测中。达到提升模型指标的目的,并对新型攻击的辨识率较高。(4)在不同于KDD99数据集的NSL-KDD数据集上进行模型兼容性能实验,试验结果表明在上述两个数据集上均有较好的表现。研究显示,本文中所提出入侵检测模型对绝大多数的普通异常流量以及和较为普遍击类型的检测效果俱佳,对新型攻击数据同样具备检测能力。