【摘要】针对网络入侵检测系统中传统方法在时序特征建模与参数优化方面存在的不足，本研究创新性地提出了一种基于全局敏感性差分进化（ＧＳＤＥ）算法与门控循环单元（ＧＲＵ）的融合模型。 该模型通过 ＧＳＤＥ 算法实现了 ＧＲＵ 网络超参数的智能优化，结合ＧＲＵ 的双门控机制动态捕捉网络流量的时序关联特征，有效解决了传统方法在复杂攻击模式识别中的特征提取不充分和参数配置失配问题。 并在网络入侵检测系统数据集（ＵＮＳＷ⁃ＮＢ１５、ＮＳＬ⁃ＫＤＤ）上进行验证，结果表明：ＧＳＤＥ⁃ＧＲＵ 融合模型的检测准确率分别达 ９８.２％和 ９６. ８％，误报率低于 ３???? ５％；相较于传统 ＧＲＵ 模型与机器学习模型，训练收敛速率显著提升，且在不同噪声环境下表现出更强的鲁棒性。 本研究为构建高精度、强鲁棒性的网络入侵检测系统提供了创新性的解决方案与工程实践参考。