在网络入侵检测中，异常样本通常要比正常样本少得多，数据的不平衡问题会导致检测模型的分类结果倾向于多数类，影响模型准确率。文章提出应用变分自编码器(VAE)模型对网络入侵检测中的不平衡数据进行过采样，通过学习原数据的特征后生成新样本重新平衡数据分布，以提高检测模型的性能。在训练检测模型时采用迁移学习方法，先在过采样后混合的数据集上预训练，再迁移到原数据集上进行训练，得到最终的检测模型。在NSL-KDD数据集上进行实验，网络入侵检测模型使用前馈神经网络。结果表明，基于深度学习的VAE 过采样方法比传统的SMOTE 过采样方法要更加有效，提高了网络入侵检测模型准确率3.23%。