互联网的发展与人们的需求相辅而生。特别是伴随移动通信和互联网两者相结合而催生出的移动互联网得到了迅猛地发展。网络技术的极速发展,让物联网成为了可能。各类终端数量越来越多,被网络攻击的可能性也大大增加。网络安全问题日益突出,人们越发意识到网络安全的重要性,入侵检测技术作为网络安全的核心,已然成为人们研究的重点。当前随着神经网络、人工智能等技术的快速进步,入侵检测技术也向着更加智能的方向发展。神经网络由大量的并行神经元构成,其结构特征具有较强容错能力、拟合非线性能力、联想能力等。神经网络被运用到入侵检测技术中具有很大的优势,占据了入侵检测的重要比例。本文在现有神经网络模型上继续深入研究,以改善现有神经网络的缺陷和不足。传统神经网络虽然具有较强的非线性拟合性,能映射各类非线性关系。但缺陷也较为明显,如:易陷入局部最优、收敛速度较慢等问题,造成了检测误报率偏高,速度较慢。对于这些问题,本文选择生物进化算法中的差分进化算法对其进行优化,构建改进的自适应差分进化神经网络模型,形成鲁棒性更优的网络结构。将改进的差分进化算法具有全局寻优和群体智能策略的特征,融入到神经网络算法当中。将神经网络的权值和阈值作为改进的差分进化算法的种群,将神经网络的误差作为改进的差分进化算法的适应度函数。并以神经网络最优参数的权值和阈值为目标,将提出的改进差分进化算法作为寻优函数,完成最优参数的初始设置,实现神经网络的优化。本文将其应用到入侵检测当中,在windows系统环境下选用KDDCUP99数据集(python编译环境)作为模型输入进行仿真实验,实现了算法原理上的优越性。实验结果表明优化后的神经网络模型在收敛速度和检测准确率上得到显著提高,证明了本文所建立的自适应差分进化算法去优化神经网络模型用于入侵检测是可行和有效的。