无线传感器网络一直具有重要的商业前景以及军事意义,但是由于其节点资源受限和无线通信方式等特性,导致其面临着各种网络安全问题。针对无线传感器网络安全问题,入侵检测技术为网络提供了一种主动且实时的防御措施,弥补了传统密钥、身份认证等防御措施的不足。不同于计算机网络,无线传感器网络具有的固有特性,导致了其入侵检测技术还存在着自适应问题、检测性能低等问题。为解决上述问题,本文以入侵检测算法以及检测特征作为研究基础和重点,将集成学习应用到入侵检测算法中,并且解决了集成学习算法存在着对样本离群点敏感问题以及多分类问题。本文研究的主要内容如下:为了解决AdaBoost算法对离群点敏感问题,利用自步学习去优化AdaBoost算法的损失函数,提出了一种基于自步学习的入侵检测集成算法。利用在路由协议下拒绝服务(Denial of Service,DoS)攻击仿真获取的数据集,去训练提出的入侵检测算法。实验证明与同类型算法相比,提出的算法在泛化能力以及对离群点容忍能力方面优于其他算法。并且通过实时攻击与检测的仿真,实验证明了提出的入侵检测算法能够有效地抵抗恶意节点攻击,而且在短时间内检测和清除恶意节点,降低了恶意节点对网络造成的能耗。针对无线传感器网络对多种类型攻击检测的安全需求,本文利用Softmax函数以及限制式下降算法设计了一种得分函数,基于SAMME集成算法,使用该得分函数作为基分类器,提出了一种基于Softmax函数的集成学习算法,并且经过理论证明了其平滑性和算法收敛性。在使用公开的无线传感器网络入侵检测数据集来训练和测试算法之后,实验证明了提出的算法在牺牲了一定计算成本之后,在ROC(Receiver Operating Characteristic Curve)评估曲线以及检测率上,该算法与同类型算法相比具有明显的改进效果。