传统的计算机网络安全技术主要包括防火墙和入侵检测系统，但是这些方法都有其自身的不足，入侵防御技术作为一种防护计算机网络免遭入侵破坏的有效手段正日益受到研究人员的高度重视，成为目前信息安全领域的研究热点之一。本文针对基于无监督学习的入侵检测聚类算法检测率低、基于监督学习的入侵检测算法的训练样本不足，并且对未知的入侵行为检测率较低等问题，首先，提出了一个基于量子粒子群优化的半监督模糊C-均值聚类算法，同时为了能够克服传统FCM中Euclidean距离只能用来处理球状数据集且对噪音和野值数据敏感等缺陷，本文提出了一个新的目标函数，即使用Bray-Curtis距离代替传统的Euclidean距离，并在该算法中加入一个惩罚项来处理受到噪音污染或人工影响的球状或非球状的数据集，从而避免差的结果。实验结果表明，算法的整体检测效果明显优于其它入侵检测算法。其次，针对目前计算机技术的不断发展，涌现出各种各样的海量数据，这些数据导致许多学习算法面临“维数灾难”的问题。本文提出了一个新的基于成对约束的半监督降维聚类算法，同时，针对Grira等近期提出的利用点对约束的半监督模糊聚类算法，其约束项与竞争聚类算法(CA)的目标函数之间数量级不一致，并且竞争项缺乏直观的解释，因此在重新定义目标函数的基础上提出一种更加合理的半监督模糊聚类算法：约束惩罚函数采用约束点对中两个样本新的联合表达式，使数量级与经典模糊聚类算法一致；在竞争项中引入Renyi熵，可以防止聚类算法过早收敛，并且可以在算法接近其真正的聚类数目时加快收敛速度。通过在KDDCUP99实验数据的仿真，实验结果表明，该算法在入侵检测中能获得理想的检测率和误检率。最后，本文建立了一种基于量子粒子群优化和半监督聚类的入侵防御系统模型，该系统模型主要包括检测系统模块、入侵防御系统响应模块、日志记录模块和中央控制模块等四大模块。重点设计了入侵检测模块中的检测算法部分，将基于量子粒群优化的半监督聚类算法作为检测器的核心算法，并给出了其他模块的功能及结构。