随着信息技术的迅猛发展和人类社会生活对Internet需求的日益增长,计算机与互联网科技得以不断的创新与升级,网络入侵的风险性也越来越大,网络安全已经成为全球性的问题。入侵检测技术应运而生,它是继防火墙、数据加密等传统安全保护措施后的又一重要的安全保障技术,入侵检测技术作为防火墙的合理补充和延伸,是一种主动安全防护技术,提供了对内部攻击、外部攻击和误操作的实时保护。　　 本文就是基于上述研究背景开展的,着重针对入侵检测领域内所存在诸多问题,尤其是具有自适应能力的入侵检测系统不完善、检测算法处理速度慢、检测率低、误检率高等缺点进行解决。　　 本文首先综合异常与误用两种检测技术的优点构建了入侵检测系统模型,然后针对模型中核心组件进行了实现,还将量子遗传算法引入入侵检测领域中进行特征约减、特征提取并进一步与聚类算法相结合,提出了基于量子遗传聚类的入侵检测算法,增强了系统自适应分析、检测的能力,在提高整个系统的性能的同时也增加了模块的复用性,减小了系统的开销。最后通过各阶段仿真实验的测试结果表明,算法在保持较高检测率的同时,还降低了误检率,由于量子遗传算法在小种群情况下,依然具备强大的空间搜索能力,也使算法的时间复杂度大大改善。