随着信息化规模的不断扩大，网络流量数据呈现爆炸式增长，给网络流量异常检测带来了巨大的挑战。网络流量异常检测可以帮助管理人员分析大规模复杂网络中的流量情况，及时发现网络中的异常情况，进行网络安全态势的预测，确保网络安全运行，它是网络安全和网络管理的关键技术之一。由于网络环境和系统中存在着大量的多源、异构的网络流量数据，如何快速、有效地实现这些流量数据的异常检测，是网络安全领域的一个新的课题。因此，利用高效的机器学习算法（隔离森林和深度森林）以及Spark大数据处理平台来实现网络流量异常检测的智能化并行处理。论文的主要创新工作如下：　　针对大规模复杂网络，采用层次化思想，并结合大数据并行处理技术，提出一种基于大数据平台的并行网络流量异常检测系统模型。该系统模型层次化地分为数据采集层、数据预处理层、网络流量异常检测层及应用服务层，模型架构在大数据并行处理平台之上，并依据该模型设计了相应的原型系统，验证了该模型的有效性。　　为了解决大规模网络流量数据的处理与单一节点计算瓶颈之间的矛盾问题，提出一种基于Spark与隔离森林的并行网络流量异常检测方法。该方法借鉴隔离森林算法和Spark技术各自在网络流量异常检测与大数据处理方面的优势，将隔离森林算法的建树过程及异常评估过程实现并行化。实验结果表明，与单机环境下的网络流量异常检测方法相比，所提方法在保持较高准确率的同时具有较快的执行效率，并克服了隔离森林算法处理数据集规模受限于内存最大容量的缺陷；并与基于Hadoop集群环境下的并行网络流量异常检测方法进行比较，所提方法避免MapReduce频繁的磁盘I/O操作，提升了迭代效率，大大减少了数据处理时间，提高了网络流量异常检测的执行效率。　　为了解决大规模网络流量数据异常检测性能不佳的问题，提出了一种基于深度森林的网络流量异常检测方法，并给出了基于Spark和深度森林的并行网络流量异常检测框架。该方法通过多粒度扫描结构实现网络流量数据的特征转换，然后通过级联森林结构进行逐层处理并得到最终的异常检测结果。实验结果表明，与隔离森林和支持向量机的异常检测方法相比，该方法在准确率、泛化能力及稳定性方面表现最优，且异常检测模型具有较高的稳定性，适应于大规模复杂网络流量异常检测的处理。