本发明公开了一种基于流量分类的网络入侵检测方法，包括以下步骤：1.对网络流量数据进行数据处理，得到总体样本集；2.建立基于深度自注意力机制与密集Inception结构的网络入侵检测模型DCADenseIncept为网络流量数据提取初级特征，生成特征表示XL；3.在DCADenseIncept之后附属基于卷积增强Transformer结构的网络入侵检测模型CeIT，结合卷积特征提取、空间局部增强及Transformer建立远程依赖的优势，为XL提取高级特征，生成特征表示XH；4.将特征表示XH通过分类器进行分类检测并计算总体损失，利用Adam优化算法自动更新模型参数，得到最终的网络入侵检测模型。本发明中的模型能够加强特征的处理方式与利用效率，具备优异的表达能力与网络入侵检测效果，可以辅助系统对抗网络攻击。