针对传统的入侵检测方法无法有效提取网络流量数据特征的问题,提出了一种基于DSCNN-BiLSTM的入侵检测方法,该方法引入了深度可分离卷积代替标准卷积从而减少了模型参数,降低了计算量,并应用双向长短期记忆网络（BiLSTM）提取长距离依赖信息的特征,充分考虑了前后特征之间的影响。首先,通过主成分分析法（PCA）对网络流量数据进行特征降维,并创新性地将一维网络流量数据转化为三维图像数据;然后,分别运用深度可分离卷积神经网络（DSCNN）和双向长短期记忆网络（BiLSTM）提取网络流量数据的空间特征和时间特征;最后,利用KDDCUP99数据集进行训练、验证和测试。实验结果表明,与其他传统的入侵检测方法相比,该方法具有更高的准确率和更低的漏报率。