随着物联网、5G技术、大数据等信息领域的不断发展,网络攻击变的越来越复杂并且难以控制。许多研究者将网络入侵检测系统作为一种防御层,提出了检测恶意网络流量的方法。然而,传统的入侵检测技术已不能满足新的安全要求,有效的入侵检测系统要求较高的准确率和检测率,以及较低的误报率。针对现有的问题,本文将对比学习模型应用于入侵检测系统的研究。本文提出了一种基于AE-CPC的入侵检测模型,通过自编码器（AE）对复杂冗余的网络流量数据进行降维处理和特征提取,采用对比预测编码（CPC）对降维后的流量数据进行表征学习。该模型可以减少对样本标签的依赖,适合应用于实时的网络环境中。通过让模型学习数据样本之间的相同点和不同点,来学习数据集中所有样本的特征。该模型分别在KDD CUP99、NSL-KDD和UNSWNB15三个数据集上进行了二分类和多分类实验,结果表明AE-CPC入侵检测模型具有较高的准确率。为了改进自编码器生成的代码不能很好的保持输入空间的拓扑结构,本文对基于SOM-DAGMM-MoCo的入侵检测模型进行了研究。自组织映射（SOM）能够保持良好的输入空间的拓扑结构,弥补了AE的不足。深度自编码高斯混合模型（DAGMM）主要由压缩网络和估计网络两部分组成。利用压缩网络可以把输入的样本数据映射到低维空间中,为入侵检测保留存储关键信息的空间。估计网络用于评估高斯混合模型中低维空间的数据。最后,为进一步提高模型的准确率,结合动量对比（MoCo）学习能够对样本数据进行准确分类的特性,构造了高效的入侵检测系统。将基于SOM-DAGMM-MoCo的入侵检测模型在CICIDS-2017数据集上进行了实验,CICIDS-2017数据集中具有正常流量数据和最新的常见攻击,是类似真实世界网络流量的数据集。实验结果验证了该模型的高效性。