基于卷积神经网络（CN）的入侵检测方法在实际应用中模型训练时间过长、超参数较多、数据需求量大。为降低计算复杂度，提高入侵检测效率，提出一种基于集成深度森林（EDF）的检测方法。在分析CN的隐藏层结构和集成学习的Bagging集成策略的基础上，构造随机森林（RF）层，对每层中RF输入随机选择的特征进行训练，拼接输出的类向量和特征向量并向下层传递迭代，持续训练直至模型收敛。在NSL-KDD数据集上的实验结果表明，与CNN算法相比，EDF算法在保证分类准确率的同时，其收敛速度提高了50%以上，证明了EDF算法的高效性和可行性。