近年来,互联网的接入规模、业务流量和复杂性都发生了巨大变化。随着网络和系统的扩展,面临的安全威胁越来越严峻。网络入侵检测是信息安全和网络安全领域持续关注的热点之一,深度学习（Deep-learning）能有效提升检测性能,但受制于数据集的规模和质量,且目前主流的深度学习模型训练时间长,分类效果欠佳。本文研究基于深度学习的网络入侵检测算法,首先利用LightGBM算法均衡数据分布,然后提出一种基于注意力机制的双向门控循环单元（Attention-BiGRU）神经网络模型的入侵检测算法,并最后验证算法的有效性。（1）对比分析了典型的入侵检测系统（Intrusion detection system）的结构和特点以及分析了常用的入侵检测算法的思想和流程;对本文实验使用的3种数据集进行了预处理,包括对非数值特征进行独热编码、缺失值、无穷值以及去量纲化处理。（2）针对在多分类检测中,深度学习模型对数据集的少数类检测效果欠佳等问题,提出了从数据集入手,首先采用LightGBM算法对数据集中各个类别进行特征提取,然后对少数类采用BSMOTE（Borderline-SMOTE）过采样,对多数类采用NM（Near Missing）欠采样处理,确保了数据集分布更加均衡。（3）提出了一种基于注意力机制与BiGRU结合的入侵检测算法并设计了入侵检测模型,分别就二分类和多分类的检测性能进行了实验验证。结果表明,该算法在NSL-KDDtest+数据集的检测准确率（Accuracy）为93.8%,在NSL-KDDtest21数据集的检测准确率为72%;在UNSW-NB15数据集的检测准确率和召回率（Recall）分别为93.8%和58.5%;在CICIDS2017数据集的检测准确率和召回率分别为97.4%和91.4%,均高于几种目前主流的检测算法。在多分类检测中,结合LightGBM算法构造的新数据集,均衡各类攻击行为的数据分布,将其应用于Attention-BiGRU神经网络模型训练,旨在提高少数类的检测准确率,降低训练时间。