本发明公开了一种基于深度学习的网络入侵检测方法，该方法训练过程为：将获取的数据集输入待训练的卷积神经网络模型，通过待训练的卷积神经网络模型提取网络流量特征；再通过空间金字塔模型“卷积层+上采样层+下采样层”反复提取网络流量更丰富的特征，得到多尺度的有效特征层；最后通过逻辑回归预测网络入侵分类置信度，使用逻辑分类模型预测类别，将真实框与预测框通过误差模型计算真实框与预测框的损失误差；然后通过反向梯度进行反复迭代优化，将损失误差最小的待训练的网络入侵检测模型作为训练好的网络入侵检测模型；本发明方法进一步提高了网络入侵的检测精度和速度，提高了对未知攻击的检测能力，降低了误报率。