【摘要】校园网设备异构性强、流量并发度高，且高级持续性威胁具有高度隐蔽性，导致传统防御机制经常出现响应滞后与漏报问题。 鉴于此，本研究构建了一套融合深度学习与主动防御机制的智能防御体系。 系统整合卷积神经网络（ＣＮＮ）与长短期记忆网络（ＬＳＴＭ），对海量异构流量进行多模态分析，精准捕获时空特征以识别异常行为。 依托软件定义网络的可编程性，设计“感知－研判－决策－执行”动态逻辑，实现防御策略的自动化编排。 实验数据显示，在应对大规模并发攻击及零日攻击时，检测准确率提升至９８. ４％，未知威胁检出率可达 ９４.７％，误报率降至 ０. １８％，同时缓解了误报疲劳，缩短了应急响应周期。 研究推动了网络安全防御范式从静态被动向智能化主动的演进，为复杂网络环境治理提供了可行的技术路径。