随着计算机、数字通信和网络等技术的迅速蓬勃的发展,其在给我们带来新机遇、新挑战的同时也带来了巨大的风险,比如信息网络的社会化、自由化、开放性、跨国界等特点世界各地的联系更加紧密,但法律约束缺失让其成为了法外之地。当今网络安全领域面临着三大威胁,其中以蠕虫(Worn)病毒、分布式拒绝服务攻击(DDoS)和垃圾邮件(Spain)为主,这三者制造的恐慌已引起了世界各国高度的重视。其中分布式拒绝服务攻击(DDoS)作为目前最常见的网络攻击方式,凭借自身最容易实施、最难以防范、最难以追踪等特点,极大的影响了互联网发展和网络业务主机系统提供的有效的服务。最近几年,深度学习的研究在语音识别、文本的处理(比如切词、分词方面)、计算机视觉等应用中取得了令人振奋人心的突破性进展,比如信息抽取、机器翻译等方面。鉴于深度学习在上述的应用较为广泛,将其运用到DDoS攻击检测方面。本文的主要研究内容如下所述:(1)针对BP神经网络存在学习速度慢、容易陷入局部极小值、网络层数有限和运算时易出现过拟合现象等缺点,导致其网络性能降低,有碍网络学习能力的提高的问题。引入卷积神经网络,利用卷积神经网络的局部感受野、权值共享和池化等特点,提高神经网络的学习能力、表达能力、网络的性能等。(2)针对卷积神经网络中使用的梯度下降法,由于其收敛速度快,容易陷入局部最优等缺点,导致其网络性能降低,有碍网络学习能力的提高的问题。引入粒子群算法,利用粒子群算法简单且寻优能力强的特点与卷积神经网络进行有效的结合,提出一种优化神经网络的方法,达到提高卷积神经网络的学习能力和网络的性能的目的。(3)设计了基于卷积神经网络的取证系统原型,该系统在收集数据、分析数据的基础之上,根据不同的需求设计不同的模块,并完成相应模块的功能,并且将本文中提出的基于粒子群算法优化的卷积神经网络检测方法和基于卷积神经网络的DDoS的检测方法运用到了系统中。