随着计算机网络技术的不断发展,网络在我们的日常生活及工作中扮演着越来越重要的角色。与此同时,日益严重的网络安全问题成为制约网络技术发展的一大障碍。传统的网络安全技术,诸如防火墙、安全路由器、身份认证系统等,已不能完全满足网络安全的需要。入侵检测作为一种主动防御的安全技术,己成为网络安全技术的一个重要手段,并成为当前的热点研究领域。聚类分析是数据挖掘技术中的关键技术,但传统的C-均值聚类算法对入侵检测数据进行处理有很多不尽人意的地方,如该聚类算法是局部寻优算法,聚类的结果对数据输入顺序比较敏感等。针对以上问题本文进行了较深入的研究,给出了相应的解决方法。本论文的主要工作如下:论文在分析了当前常用的入侵检测方法和入侵方法的基础上,对基于聚类技术的入侵检测技术进行了研究,着重研究了数据挖掘中的聚类分析技术在异常入侵检测中的可行性和有效性,并且提出了一种基于数据挖掘聚类技术的入侵检测智能结构模型。在运用聚类分析算法对网络记录进行分析时,根据入侵检测的具体情况,对模糊C-均值算法进行了分析和研究,将其应用于入侵检测中,并提出了一种改进的模糊C-均值算法。在改进的模糊C-均值算法的基础上,引入遗传算法以克服模糊C-均值算法对初始化比较敏感和所求解是局部最优解的不足,并通过实验仿真验证了这种混合算法的有效性。