随着计算机网络技术的迅速发展，计算机网络已经渗透到各个领域，给人们的生活和学习带来了极大的便利，但是随之而来的是网络的安全问题，网络安全问题现已经成为各国政府、企业和人民重点关注的问题。入侵检测技术是网络安全领域的研究重点，入侵检测系统是由软件或者软硬件结合构成的系统，放置在计算机网络环境中，通过对计算机网络中的关键点收集信息，然后对所采集的信息进行分析检测，从而可以识别出对来自外部或者内部对计算机网络产生威胁的行为。入侵检测系统是对传统安全技术的有效补充。然而目前的入侵检测系统普遍存在检测率低的缺点，本文将模式识别中的分类器集成技术应用到入侵检测系统，以提高检测模块的检测率。模式识别技术应用于入侵检测模块，主要通过攻击特征对网络数据包进行检测识别。传统的模式识别系统一般只采用一个分类器对样本进行识别，但是单个的分类器无法做到对所有的样本都能正确地识别，多分类器系统能够显著提高识别率。但是，当分类器数量很大时，集成所有的分类器不仅占用过多的系统资源，而且还可能造成识别率下降。通过一定的选择策略，仅对部分分类器进行集成，往往能得到更好的分类效果。选择策略需要综合考虑参与集成的分类器的准确率和差异性。本文首先介绍了入侵检测的发展历程和研究背景，对入侵检测的定义、原理做了比较详细的介绍，分析比较了各种不同入侵检测技术的优缺点。然后对分类器集成以及分类器集成的中的差异性进行了介绍，提出了一种分类器差异性度量方法。利用该差异度并综合考虑基分类器的准确率，提出了一种分类器选择集成方法，将此方法应用到入侵检测系统的检测模块，通过在入侵检测领域比较权威的测试数据KDD cup’99上的实验证明，能有效提高检测的正确率，并由于对分类器的选择集成，参与集成的分类器数目大大减少，检测模块占用更少的系统资源。