【摘要】针对传统网络安全方法难以应对未知攻击和动态威胁的局限性，本研究探索了深度学习（ＤＬ）在网络防御中的应用。 在分析多样化攻击与高维加密流量带来的挑战基础上，系统阐述了卷积神经网络（ＣＮＮ）、长短期记忆（ＬＳＴＭ）网络和 Ｔｒａｎｓｆｏｒｍｅｒ 等模型在流量分析与入侵检测中的适用性，并提出了一个融合数据预处理、模型优化与动态策略生成的智能防御框架。 基于加拿大网络安全研究所入侵检测系统数据集 ２０１７（ＣＩＣ⁃ＩＤＳ ２０１７）及自采集数据集的实验结果表明：Ｔｒａｎｓｆｏｒｍｅｒ 模型表现最优，准确率达 ９６.８％，Ｆ１ 分数达 ０. ９６，验证了其在捕获高维时序数据局特征和检测复杂攻击方面的优势。 该框架通过闭环机制实现了检测与防御的自动化，为构建智能化的网络安全防护体系提供了有效方案。