伴随5G的发展和新冠肺炎疫情的出现,网络流量激增,网络安全问题再次被放在聚光灯下。建立入侵检测系统是网络安全的重要实现手段,它可以在网络攻击显现的早期发现异常状况。机器学习方法常被应用于入侵检测领域,它将网络攻击的识别问题转化为网络流量的分类预测问题。传统的入侵检测模型难以识别新型的网络攻击,对现在不断创新、层出不穷的网络攻击识别效果不尽如人意。为了提高入侵检测系统的性能,本文主要建立了二分类与多分类两个混合入侵检测模型。通过对公开数据集UNSW-NB15数据集的数据情况、特征情况等进行分析,发现数据不平衡问题在入侵检测数据集中广泛存在。针对这一问题,本文将经典的SMOTE过采样方法进行改良,提出了一种只对边界点按一定概率采样的过采样方法Probabilistic SMOTE,有效地解决了数据失衡问题。针对正常网络行为和攻击行为的预测判别,也即入侵检测的二分类识别问题。本文提出了一种基于遗传算法优化的BP神经网络的识别模型。利用遗传算法优秀的全局搜索能力对传统BP神经网络中难以确定的初始权值和阈值进行选择。由于遗传算法只靠选择、交叉等演变方法来演化个体,这会导致个体受随机因素扰动从而在限定的迭代轮次内无法到达全局最优点。因此本文提出了个体移动操作,将该操作加入遗传算法中以加强每一个体的收敛速度,从而保证在有限的演化轮次内算法收敛至全局最优点。最终使用召回率、准确率等指标将本文模型与其他传统机器学习模型及其他文献提出算法作比较,结果表明,本研究提出的混合检测模型有较高的召回率和较低的运行时间,在入侵检测任务中表现优秀。针对识别每一攻击行为是哪一种具体网络攻击的问题,也即入侵检测的多分类识别问题,本文提出了一种基于纠错输出码的多分类混合入侵检测模型。针对纠错矩阵难以确定的问题,使用本文中提出的全局搜索能力强的改良遗传算法进行搜索。由于多分类任务较为复杂,运行时间较长,本文又使用机器学习的可解释特征重要度衡量指标SHAP值对数据集中的特征进行筛选。最终经过与其他传统机器学习算法和其他文献提出的模型进行对比,虽然所有方法识别准确率都不尽如人意,但本文方法具有一定的优势。最后为了将本文提出的算法模型应用于实际软件系统的网络入侵检测场景中,开发了基于SpringBoot、Vue等技术的入侵检测系统。该系统使用HTML、CSS和JavaScript技术进行前端页面开发,使用Spring、SpringMVC和Mabatis技术进行后端系统开发,数据库使用MySQL技术进行编写。该系统有效地将前后端系统与实现算法的Python脚本相结合,把检测模型用系统页面加以实现,同时实现了系统基本的用户管理等功能。该系统为入侵检测算法模型应用于企业实际软件系统的网络环境检测提供了有效的参考。