随着计算机网络技术的飞速发展以及广泛应用,计算机网络安全成了越来越重要的问题。入侵检测作为一种主动防御技术,弥补了传统安全技术的不足,但也存在误报率和漏报率较高,实时性较差等缺点,需要大量或完备的数据才能达到比较理想的检测性能。神经网络强大的学习能力、快速寻找优化解的能力使得神经网络成为解决入侵检测系统面临的问题的一种新途径。采用神经网络的入侵检测具有检测速度快、能识别大量新型攻击的优点,但也存在小样本学习不足,检测准确度有待进一步提高的问题。神经网络集成技术在充分利用神经网络优点的基础上,关注各个领域的新方法、新技术,发现它们之间的结合点,取长补短,并进行有效的融合,从而获得比单一方法更好的效果。因此本文从神经网络集成的个体准确率和个体差异性出发,提出了基于模糊聚类的BP-SVM集成的入侵检测技术。首先,从训练样本的角度出发,提出一种基于模糊聚类的样本选取方法。使用模糊C均值聚类算法,对训练样本进行聚类,进行多次迭代之后,选择聚类中心的样本作为训练样本,用所抽得的数据作为个体神经网络的训练样本,训练多个神经网络个体构成神经网络集成分类器。理论分析和实验结果表明,该方法提高集成效果,并提高系统的检测率。其次,从分类器的结构出发,提出了一种基于神经网络和支持向量机的集成方法,分别生成BP神经网络和支持向量机集成个体,然后选取不相关且差异大的个体进行集成。根据以上两方面,提出入侵检测系统模型,进行了仿真实验,实验结果表明该方法可以提高系统的小样本学习能力,提高系统的泛化能力和检测能力。