随着Internet的高速发展,网络安全问题也日益严重。使用防火墙、VPN、加密技术等传统的网络安全技术在一定程度上对于维护网络安全能起到一定的作用,但作为一种被动技术,有其固有的不足。入侵检测技术因其不仅能检测来自外部的入侵行为,同时也监督网络内部用户的异常活动,在网络安全领域正发挥着越来越重要的作用。但是随着入侵技术的发展,入侵检测系统也面临着新的挑战。本文探讨了如何结合神经网络进行入侵检测,并主要做了以下的工作:1、对现有入侵检测系统的优、缺点进行分析,指出当前常见入侵检测系统存在的问题和面临的挑战,归纳入侵检测技术的发展方向;对神经网络的结构及训练进行研究和阐述,对神经网络所具有的自适应、自学习和并行高速处理等特点进行分析,指出在误用入侵检测系统中结合神经网络技术的新型入侵检测系统具有很高的研究、应用价值。2、针对传统BP神经网络存在收敛速度慢、易陷入局部最小点、计算量大的不足,提出一种结合Levenberg-Marquardt优化算法BP神经网络。利用Matlab,对优化的LM-BP神经网络与传统的BP神经网络进行对比实验和分析,寻求出最优的网络相关参数。实验证明,优化的LM-BP神经网络具有更好的性能。3、通过对神经网络和入侵检测系统的深入研究,设计并实现了一个基于LM-BP神经网络的入侵检测模型(LM-BP NNIDS)。实验结果表明,新模型结合了异常检测和误用检测两者的优势,能快速检测新型入侵,降低误警率和漏警率。