随着计算机网络技术的不断发展,黑客攻击日益猖獗,网络安全问题日趋严峻。传统的各种静态安全防御体系,如防火墙、身份认证及数据加密技术并不足以构成完整的安全防御体系,入侵检测作为一种主动的安全防护手段,为主机和网络提供了动态的安全保障,成为了防火墙之后的又一道安全防线。本文针对当前入侵检测技术存在的很多不足,如漏检率较高、自学习能力差以及误警率偏高等问题,对入侵检测算法进行了改进,本文称为基于神经网络的入侵检测算法。实验结果表明,该算法不仅可以进行入侵特征的自学习,而且在漏检率和误警率两方面都表现出了良好的检测性能。首先,介绍了入侵检测技术的研究现状、发展历史以及入侵检测系统的分类和基本模型,阐述了智能入侵检测技术,分析了入侵检测技术的发展趋势。其次,通过对比主成分分析(PCA)、核主成分分析(KPCA)及独立成分分析(ICA)三种特征提取算法,得出KPCA和ICA在漏检率和分类正确率上有互补的优缺点,并将经过KPCA和ICA提取后的特征送入集成神经网络中训练。在神经网络的集成中采用遗传算法,目的是选择出差异度较大的个体神经网络进行集成。然后,详细描述并探讨了基于神经网络的入侵检测算法。该算法将KPCA和ICA分别结合集成神经网络技术构造两个分类器KPCA INN和ICA INN,并利用遗传算法对其输出结果进行加权集成,实现集成分类器权值的自适应调整。实验结果表明,该入侵检测算法充分利用KPCA和ICA的优点,并且具有较理想的入侵检测性能,而且有较好的学习能力。最后,在以上研究的基础上设计了一个基于特征学习的网络入侵检测系统模型。该模型利用上述入侵检测算法对未知入侵行为进行学习,并通过规则抽取模块抽取新的规则,对入侵检测系统的规则库进行自动更新。