信息时代下,云计算、物联网、大数据、5G技术已经渗透到人们的生活学习以及社会发展中,特别是在疫情防控形势下,大量互联网产品和服务应运而生,网络安全问题也随之而来。入侵检测系统是网络安全防护领域的重要手段,本文对入侵检测技术基本概念、类型、功能做了一定研究阐述,分析了现有入侵检测系统检测准确率低、误警率高以及自适应能力差的问题。论文从人工免疫算法的角度入手,对如何有效提高入侵检测系统检测效果进行研究。论文主要研究内容如下。（1）本文研究了人工免疫的生物原理以及人工免疫领域的系列算法,将人工免疫领域免疫网络算法作为研究重点,阐述了免疫网络在训练入侵检测模型时,训练集噪声或边界模糊使得免疫网络结构进化不清晰的问题,并引入三支决策模型解决以上问题。本文首先定义“边界抗体集”用来表示类边界抗体集合,然后对位于类边界位置的抗原进行“延迟决策”,最后待免疫网络子集收敛完成,根据边界抗体集内的抗体和免疫网络子集抗体的亲和力,分类边界抗体集内的抗体。（2）本文进行了入侵检测仿真实验,验证所提出算法的有效性。实验选用入侵检测数据集“CSE-CIC-IDS2018”进行了对照仿真实验。首先介绍了“CSE-CIC-IDS2018”数据集,针对数据集特征值维数高、冗余多的特点,数据层面采用PCA降维法和各维特征平均化技术进行入侵检测数据处理。通过与ai Net算法、C-均值聚类算法、朴素贝叶斯算法等经典算法,以及近年来应用于入侵检测的改进算法基于CSA的聚类算法的对照实验进行实验分析,阐述了本文改进算法在入侵检测应用中拥有较高检测准确率和较低误警率。（3）本文设计了基于改进算法的入侵检测系统,主要包含流量收集、数据处理、数据检测等功能,系统首先对网络流量进行抓取,然后将流量数据清洗为后续模块可识别且保有有效字段的数据,最后应用改进的免疫网络算法作为检测模块核心算法,使用Kibana组件完成了入侵检测系统的Web界面。基于KDD-CUP99经典数据集模拟攻击的测试结果表明,本文改进免疫网络算法的入侵检测系统能有效检测攻击类型,且系统准确率较高,误警率较低。