在大数据时代,网络攻击事件常常发生,不论是对个人、企业还是国家都是致命的危害,入侵检测作为一种动态、主动的防御措施,可以有效防御大部分入侵。机器学习和人工智能技术研究热潮不断兴起,给入侵检测技术带来了更大的可能,基于机器学习和智能优化算法的入侵检测方法成为当前学者们研究的一个热点。当前,使用机器学习方法的入侵检测存在数据类别不均衡、分类器参数选择慢等问题,严重影响到入侵检测的性能。针对上述两个问题,本文以黏菌优化算法（Slime Mould Algorithm,SMA）、Levy飞行、加权极限学习机等技术为支撑,提出了改进的黏菌优化算法,并在此基础上,结合加权极限学习机,支持向量机（Support Vector Machine,SVM）分别提出了两个入侵检测方法。论文主要研究工作包括以下三个部分:（1）针对传统黏菌优化算法使用均匀分布更新位置,容易陷入局部最优的不足,本文设计了一种改进的黏菌优化算法（Levy Slime Mould Algorithm,LSMA）。算法引入Levy分布,利用Levy分布生成随机数,重新设计位置更新公式。在相同环境下,对13个基准函数做仿真实验,以标准差、平均数、中位数和最佳结果作为评价指标,结果表明,LSMA有效地提高了搜索过程中跳出局部最优的概率。为了验证LSMA算法相较于原算法有更优的性能,以标准差为评价指标,实验表明,LSMA具有更快的收敛速度,且收敛精度较高,能更快找到最优解。（2）针对SVM在入侵检测中参数确定慢的缺陷,设计了基于LSMA的SVM入侵检测算法,将SVM的两个参数作为LSMA的个体,在迭代完成后,最优黏菌位置即为两个参数的最优解,确认最优参数之后,建立入侵检测模型。实验表明,与其他算法相比,该方法的检测率更高,算法的训练时间更短。（3）针对NSL-KDD入侵检测数据集中分类不均衡问题,设计了基于LSMA的加权极限学习机（Weight Extreme Learning Machine,WELM）的入侵检测算法。算法利用LSMA高概率跳出局部最优及全局寻优能力优化WELM的输入权值和偏置。实验以准确率、误报率、召回率为评测标准,结果表明,相较于WELM,提出的方法在召回率和误报率等性能上效果显著,训练时间缩短。