入侵检测技术是计算机安全领域的一个重要研究方向。本文针对常用的入侵检测数据集的数据不平衡和特征冗余问题,分别研究了常用的过采样和特征选择算法,并对常用算法的不足提出了改进。在此基础上,本文提出了一个基于集成学习的入侵检测模型。主要的工作有以下三个方面:（1）针对入侵检测数据集的不平衡问题,本文提出了改进的MAHAKIL算法。该算法在MAHAKIL算法的基础上添加了变异因子,使生成的新样本更具有多样性,为模型在训练阶段提供了更多的数据信息,从而提升了模型的检测性能。在NSL-KDD数据集上的实验结果表明,使用改进的MAHAKIL算法对数据集进行过采样可以有效的提升模型整体的准确率。（2）针对数据集的特征冗余问题,本文提出了基于双指标判定的两阶段过滤式特征选择算法对数据集进行降维。该算法首先根据卡方检验和Relief F算法分别计算单个特征的重要性并排序,并根据计算结果去除部分冗余特征;然后设定不同的特征个数训练模型,根据不同模型的准确率确定最佳的特征数目;再使用m RMR算法在保留的特征中进行第二次特征选择。实验结果表明在该算法输出的特征子集上训练得到的模型,其准确率有所提升,并且训练时长也有所缩短。（3）本文还提出了一个基于集成学习的入侵检测模型。该模型利用最佳路径森林算法构建基分类器,并根据集成学习的特点设计了在多个基分类器中的筛选策略,该策略使用聚类算法对多个基分类器进行聚类分析,使筛选出的单个基分类器具有更高准确率的同时,多个基分类器之间具有更高的独立性。最后将筛选出的多个基分类器以Bagging方式集成。在NSL-KDD数据集上将本文提出的模型与多个常用的检测模型进行对比实验,实验结果表明本文提出的模型具有更好的检测性能。在此基础上,本文将提出的模型在经过平衡和降维处理后的数据集上进行实验,与模型在原始数据集上的实验结果相比,前者取得了更高的准确率和更低的误报率。综上所述,本文首先对NSL-KDD数据集进行了过采样和特征选择处理,然后提出了基于集成学习的入侵检测模型,最后通过仿真实验结果验证了本文提出的入侵检测模型在准确率和召回率上均有所提升。