近年来，网络攻击的巨大威胁和安全问题已经受到了不同组织的高度关注。入侵检测系统作为一个保护数据完整性和系统可用性的反制手段，起着越来越重要的作用。目前，许多研究人员将模糊认知图(Fuzzy Cognitive Map, FCM)方法应用于入侵检测中，并取得了一定的成果。然而，FCM入侵检测方法存在训练时间长和检测率不高的不足。为了克服这些不足，本文提出了一种基于改进模糊认知图(Improved Fuzzy Cognitive Map,IFCM)的入侵检测方法。主要研究内容如下：针对模糊认知图入侵检测方法训练时间长的问题，以AFS理论和格贴近度为理论依据，提出了基于AFS理论和格贴近度(AFS Theory and Lattice Close-degree,AFS-LCD)的约简算法，并给出了AFS-LCD入侵检测属性约简方法。模拟实验结果表明：与FCM入侵检测方法相比，该方法明显减少了FCM入侵检测方法的训练时间，并且提高了FCM入侵检测方法的检测率。针对模糊认知图入侵检测方法检测率不高的问题，提出了基于模糊神经网络的模糊认知图(Fuzzy Cognitive Map Based on Fuzzy Neural Networks, FNN-FCM)入侵检测方法。模拟实验结果表明：与FCM和概率FCM入侵检测方法相比，该方法的检测率较高、误报率较低。在以上研究工作的基础上，提出了基于改进模糊认知图的入侵检测方法。该方法首先应用AFS-LCD约简算法对入侵检测数据集进行属性约简，得到优化的属性子集；然后用优化的属性子集训练FNN-FCM模型实现入侵检测。模拟实验结果表明：与FCM、AFS-LCD-FCM和FNN-FCM入侵检测方法相比，该方法训练时间更短、检测率更高、误报率更低。