当前互联网技术的飞速发展所带来的网络安全问题所波及的范围已逐渐扩大,人们享受着互联网所带来的便利的同时,也不得不关注并想办法解决网络攻击所带来的无法预知的危害。基于包过滤技术的防火墙早已无法应对网络中出现的各式各样的攻击,而入侵检测系统作为保护计算机网络安全的第二道屏障,逐渐引起了学者们的关注。经过研究人员多年的研究,网络入侵检测已经被用来加强计算机网络的安全性,与此同时还引进了很多前沿的技术,譬如机器学习和神经网络等,不但使得入侵检测系统的可靠性得到加强,还可以提高网络入侵检测的速度。除了服务器、路由器和交换机等网络设备之外,现在渐渐出现了很多的智能设备,如网络电视和智能手机等都相继连进了网络,整个的网络架构越来越复杂,越来越容易产生漏洞而遭到黑客或者病毒的侵入。在当前网络入侵频发的严峻形势下,我们需要借助机器学习技术来提高对入侵流量的检测效率。传统的分类模型往往为单模型,分类能力具有一定局限性。各个弱分类器之间也有着差异,分类结果往往具有倾向性,这种局限性可以由集成学习解决。集成学习致力于将多个单模型集成生成一个更良好的学习器,可以得到更加合理的边界,减少整体的错误率,实现更好的效果。集成学习的优势是能提高模型的全面性,消除了单个弱分类器的偏向性,能够有效提升模型性能。本文主要做了以下工作:（1）使用公开的入侵检测领域KDD-CUP99数据集,首先对数据集进行了预处理,包括对非数值型特征的转换和数值的归一化。（2）分别使用原始特征、遗传算法选择的特征和模拟退火算法选择的特征在Adaboost、XGBoost和Cat Boost三种集成学习算法上进行建模,实验证明特征选择算法能够提高模型的性能。（3）在三种集成算法中选择最好的特征选择策略,利用Stacking思想分别在逻辑回归、支持向量机和6)最近邻上进行模型融合。实验证明Stacking集成能够提高模型性能。（4）在上述三种融合模型的基础上采用相对多数投票法进行了二次融合。实验证明了本文提出的这种双重融合策略的有效性。（5）利用Wireshark抓包工具和torshanmmer测试工具实现了数据采集,使用Vue和Spring boot框架分别实现前后端,并且使用jpython对python预测模型进行调用,开发出了一个入侵检测系统。