21世纪的信息化革命给人类社会带来了翻天覆地的变化，改变了全球的信息交流方式，随着计算机和通信技术的发展，网络成为当今世界发展的重要因素。网络环境变得日益复杂，网络安全问题更是日益突出，传统的安全保护技术已经不能适应计算机网络的发展，因此，网络安全技术的研究具有重要的社会意义和现实意义。入侵检测是网络安全技术研究中的热点，目前已经取得一定的发展，也推出了许多商业化的产品，但由于存在检测效率不高，适应能力不强，以及扩展性不足等缺点，难以完全满足计算机网络的安全保障需要，仍需继续对其进行研究，使入侵检测系统更完善。为此，本文在研究数据挖掘技术的基础上，设计并实现了一种新的数据挖掘模型，并将其应用到网络入侵检测中，改进了现有检测算法和模型的不足，提高了入侵检测系统的效能。本文所做主要工作具体如下：首先，在综述计算机网络的发展现状、入侵检测技术和数据挖掘的相关知识的基础上，分析了传统入侵检测技术存在的问题，指出了入侵检测的发展趋势，引出了基于数据挖掘的入侵检测系统。数据挖掘技术的应用，提高了检测的效率，增强了系统的自适应性和扩展性。然后，深入分析了基于数据挖掘的入侵检测算法的研究现状，提出了一种基于各向异性质心Voronoi图的网络异常检测算法，并基于新算法构造了一个分布式的网络异常检测系统模型。理论分析表明，新算法可在一定程度上解决对大规模的数据集进行聚类、处理复杂形状的聚类的问题，消除了孤立点数据和“噪声”对聚类效果的影响，得到聚类全局最优解。最后，给出了新的异常检测算法的具体实现过程，并使用KDD Cup1999提供的数据集的子集对系统性能进行测试，将算法与部分已有同类方法进行了比较。仿真结果表明，新算法具有较高的检测率和较低的误检率。