近年来网络数据愈加复杂,特别是在可供分析的数据量有限的情况下,越来越高的特征维度直接导致入侵检测的时间效率和检测精度下降。特征选择作为一种常用降维方法,已成为提升入侵检测性能的重要手段。目前单一类型的特征选择方法已无法满足检测性能要求,因此将多种方法进行混合的策略应运而生。然而混合型特征选择依然面临时间效率和检测精度改善方面的挑战。基于上述现实问题,本文提出三种混合式特征选择方案,主要研究内容和创新点如下:（1）针对网络特征冗余造成的检测精度降低问题,本文首先提出冗余敏感值评价指标来判断特征的冗余度,其次基于冗余敏感值评价指标和递归特征加算法（Recursive Feature Addition,RFA）提出一种混合特征选择算法（Sensitive Recursive Feature Addition,SRFA）。该算法首先选取具有最高排序系数的特征并将其添加到特征子集中,然后在查找具有最高排序系数的特征的过程中计算当前待选特征的冗余敏感值并将其最小值对应的特征添加到特征子集中。与RFA算法的对比实验表明,SRFA算法生成的特征子集具有更好的检测准确率且取得了9.3%的提升。（2）针对网络数据特征维度高所造成的特征选择时间过长问题,本文采用并行的思路对SRFA算法进行改进,提出一种并行分片冗余敏感混合特征选择算法（Parallel Sensitive Recursive Feature Addition,PSRFA）。PSRFA算法首先把原始特征集划分成具有相同特征数量的特征片段,其次对每个特征片段并行执行SRFA算法,最后将每个片段上的特征选择结果进行汇总及分类计算。实验测试表明,PSRFA算法在取得86%的性能提升的同时也获得了较好的分类精度的改善。（3）针对不平衡网络数据造成的入侵检测精度下降的问题,本文提出了一种基于特征协同的加权冗余敏感混合特征选择算法（Weighted Synergistic Redundancy Sensitive,WSRS）。该算法利用数据的类别分布对冗余敏感值进行加权改进,将特征的协同关系与排序系数相结合作为特征重要度判别指标,在此过程中同步删除无用特征。同其他算法的对比实验数据显示该算法的少数类样本检测率、数据检测精度及特征选择时间效率上均有较好的提升。