随着Internet 的飞速发展,网络应用已经深入人心。网络应用的日益增多使得Internet 的安全性也摆在了我们的面前。由于Internet 的开放性以及安全的脆弱性,无论是操作系统,应用软件或者硬件设备都存在着一些安全隐患。这些安全隐患为黑客提供了入侵的可乘之机。近年来,由于网络入侵模式的多样化增长以及系统漏洞的加速暴露,使得网络的安全受到了很大的威胁。为了缓解这一威胁,业界开始致力于各种各样的安全策略、机制、手段,工具和标准的研究与制订。入侵检测系统是其中之一,它可以根据网络入侵的种类,选择相应的措施来维护系统的安全。但是,传统的入侵检测技术只能识别已知的攻击和入侵,对未知的攻击无法识别或者无法正确识别。同时,传统的入侵检测系统需要人为的不断维护,更新其特征库。具有人工智能的带自动更新和识别未知攻击的入侵检测技术目前尚未完善,也没有形成成熟的产品。本文分析了网络与信息系统安全的现状,指出了它们的不足,在深入分析当前入侵检测技术及其未来发展趋势的基础上,提出了基于神经网络的自学习入侵检测模型及其实现方案,得出了几个相互迭代的神经网络的体系架构以及每个神经网络输入向量的转换公式。本文完成了该方案的设计及实现,并利用多种常见和未知攻击对系统进行了测试,收敛和优化了神经网络,使其较传统的入侵检测模型在性能上有了较大的提高,在一定程度上弥补了传统入侵检测无法检测未知攻击的缺陷。本文最后还分析了系统的不足,指出了改进办法和向自再生的入侵防御系统方向发展的后续目标。