计算机网络安全越来越受到人们的重视。网络入侵检测作为网络安全防护体系的主要组成部分，其作用越发重要，如今仍然是网络安全领域中的重点和热点。入侵检测(Intrusion Detection)作为一种积极主动的安全防护技术，能在系统受到危害之前拦截和响应入侵，提供了对内外部攻击的实时保护，成为了保障网络安全的重要手段。然而传统的入侵检测系统(Intrusion Detection System)存在着很多问题，如：对未知网络攻击检测能力差、误报率高，漏报率高，以及时效性不高等缺点。因此，本文的研究重点就是如何提高入侵检测系统的检测率，具体的工作如下：　　 (1)简述入侵检测系统的相关概念、分类、模型等，指出目前入侵检测系统急需解决的一些问题，对未来发展趋势进行展望；介绍统计学习理论和支持向量机的理论基础。　　 (2)简要介绍主成分分析的原理，利用主成分分析特征选择，降低数据的维数，消除数据间的冗余信息，提高系统的检测性能。介绍标准粒子群优化算法的原理和实现过程，利用粒子群优化算法，对支持向量机的惩罚因子C和核参数σ进行优化。用KDD Cup99标准数据集，通过Matlab仿真实验，证明基于综合PCA和PSO的SVM算法提高了入侵检测的性能。　　 (3)同时本文也提出了一个基于综合PCA和PSO的FSVM算法的入侵检测模型，用KDD Cup99标准数据集在Matlab中进行实验研究，结果表明该方法获得的检测率为比基于综合PCA和PSO的SVM算法的入侵检测的检测率高。