针对Web攻击流量检测问题，提出一种基于动态自适应池化算法 (Dynamic Adaptive Pooling Algorithm, DAPA) 的卷积神经网络模型。首先将数据集中每一条请求流量进行剪裁、对齐、补足等操作，生成一系列 50×150 的矩阵数据A作为输入。然后，搭建基于动态自适应的卷积神经网络模型进行异常流量检测，使之可以根据特征图的不同，动态调整池化过程，并在网络结构中添加Dropout层来解决流量特征提取过程中的过拟合问题。实验表明，该方法比未使用动态自适应池化的方式精确度提升了1.2%，损失值降低了2.6%，过拟合问题也得到了解决。