在高速发展的信息时代,随着网络技术和规模的不断发展,信息安全已经成为全球性的重要问题之一。入侵检测技术作为新一代安全保护技术,它对计算机或网络中发生的事件监视和分析,检测出入侵行为从而增强系统的安全性。在现实的网络环境中,入侵检测系统很难获得较完备的训练样本,主动学习支持向量机(SVM)算法能够很好地解决小样本学习的问题,大大减少所需训练样本的数量,可以提高入侵检测系统中分类器的性能。同时,入侵检测系统需要根据外在环境的变化而不断更新。由于检测模型的再训练需要较长的时间,对于所有数据再训练新的模型是不切实际的。因此需要能够产生自适应模型的机制,通过利用旧模型和新信息来进行更新,自组织蚁群聚类算法已经在自适应模型中使用,它不需要对所有数据再训练就可以更新模型。文中给出了基于蚁群聚类的SVM算法,将主动学习SVM算法中查询策略改为基于聚类的方法,把自组织蚁群聚类过程分为多个子阶段,同时修改了蚂蚁的行动机制,对特定对象聚类。将自组织蚁群聚类算法作为SVM算法中的查询策略,把二者有效的融合,并将改进的算法应用于入侵检测系统。使用KDDCUP99标准数据集作为检测数据源,实验结果表明,基于蚁群聚类的SVM算法与原SVM算法相比,减少了运行时间,具有自组织性,有较高的检测率和较低的误报率、漏报率,同时与蚁群聚类算法相比显著的提高了算法的执行效率。