为提高互联网入侵检测方法的准确率，提出一种卷积神经网络与注意力机制结合的入侵检测方法。利用Borderline-SMOTE过采样算法和Min Max归一化对数据进行预处理，有效缓解入侵数据量差异较大问题，提升非平衡数据检测性能；使用卷积神经网络Inception结构多尺度对数据进行特征提取，并配合注意力机制进行维度更新，提高模型处理海量数据时特征表达的准确性。研究结果表明：入侵检测方法的平均准确率为99.57%；相较于SVM方法、CNN方法、RNN方法、BLS-GMM方法，准确率分别提升了4.48%、1.35%、1.62%和0.04%，召回率分别提高了4.48%、1.36%、1.62%和0.14%。