【摘要】在当今互联网的领域中，随着网络攻击的复杂性和隐蔽性不断加剧，网络安全成为一个至关重要的关注点。 传统的入侵检测系统在面对这些挑战时表现不佳， 需要提高准确性和鲁棒性。 为了解决这个问题， 本文提出一种基于卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ＣＮＮ） 和双向门控循环单元（ ｂｉｄｉｒｅｃｔｉｏｎａｌ ｇａｔｅｄ ｒｅｃｕｒｒｅｎｔ ｕｎｉｔ，ＢｉＧＲＵ） 的网络入侵检测模型，并在ＫＤＤＣＵＰ９９ 和 ＮＳＬ＿ＫＤＤ两种公开的网络入侵数据集上进行了实验评估。 结果表明，与传统方法相比，基于ＣＮＮ⁃ＢｉＧＲＵ网络入侵检测模型在准确性和鲁棒性方面表现出色，在有效提高入侵检测性能的同时降低了误报率。