BP(Back Propagation)网络的传统BP算法和Widow-Hoff学习规则一样属于一种梯度下降学习算法,其权值的修正是沿着误差性能函数梯度的反方向进行的,由于实际应用的高维复杂性,BP网络采用传统BP算法存在训练速度慢甚至导致网络系统瘫痪的问题。针对传统BP算法存在的一些不足,出现了基于遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)等BP网络的学习训练算法。特别是粒子群算法的应用,进一步加快了BP网络的学习速度。粒子群算法不要求目标函数具有连续性,且它的搜索具有全局性和并行性,所以算法简单,收敛速度快,且不再有GA算法的选择、交叉、变异等复杂操作。但对高维复杂问题,粒子群算法易早熟收敛,无法保证收敛到最优点。在借鉴前人的研究基础上,本文对粒子群算法的收敛性进行了研究,并根据遗传变异能增加种群多样性的特性给出了改进型算法,即自适应变异粒子群算法(Particle Swarm Optimization with Adaptive Mutation,AMPSO)。AMPSO算法以自然界和物理界的基本原理为导向,并根据环境的变化,通过提高种群多样性的方法使算法获得持续搜索能力,克服了PSO算法的早熟收敛现象。最后,本文将AMPSO算法作为BP网络的学习训练函数,建立了基于AMPSO算法的BP网络。并把该BP网络应用于入侵检测技术中,通过KDD99 CUP数据集分别对基于不同算法的BP网络进行了仿真实验比较,结果表明,基于AMPSO算法的BP网络迭代次数较少,测试平均准确率高,并有效的克服了传统BP算法收敛速度慢的问题。