Con la popularización de la red y la expansión de su alcance de aplicación, el problema del tráfico de red anormal causado por ataques a la red, software malicioso, picos de tráfico o fallas en dispositivos de red se está volviendo cada vez más prominente. Este problema no solo conduce a una disminución en el rendimiento de la red y la calidad del servicio, sino que también puede representar una seria amenaza para la seguridad de la red. Este documento propone un modelo híbrido de procesamiento de datos basado en aprendizaje profundo para la detección de anomalías en redes con el fin de mejorar el rendimiento de detección de anomalías. Primero, se mejora el algoritmo de optimización de Grey Wolf para seleccionar características de datos de alta calidad, que luego se convierten en imágenes RGB e ingresan a un modelo de detección de anomalías. Se diseña un modelo de detección de anomalías en el flujo de datos de red basado en una red neuronal convolucional para reconocer anomalías de red, incluyendo DoS (Denegación de Servicio), R2L (Remoto a Local), U2R (Usuario a Root) y Probe (Sondeo). Para verificar la efectividad del algoritmo de Grey Wolf mejorado y el modelo de detección de anomalías, se realizaron experimentos en los conjuntos de datos KDD99 y UNSW-NB15. El método propuesto logra una tasa de detección promedio de 0.986, que es mucho más alta que todos los métodos comparables. Los resultados experimentales muestran que la precisión y las tasas de detección de nuestro método se mejoraron, mientras que la tasa de falsas alarmas se redujo, demostrando la efectividad de nuestro enfoque en tareas de clasificación de anomalías de red.