当今世界已经进入互联网时代,互联网已经成为现实工作与生活中不可或缺的一部分。与飞速发展的互联网并行的还有网络中的恶意与攻击行为,使得用户的信息安全面临着巨大的挑战。入侵检测作为能准确地检测网络中攻击行为的手段,已成为当前信息安全领域的研究热点。入侵检测作为当前检测攻击数据的主要手段,从提高入侵检测准确率的角度触发,本文提出了一种新的入侵检测模型,该模型主要基于机器学习的极端梯度提升（XGBoost）,并使用鲸鱼优化算法（WOA）的寻优能力为其寻找最佳参数。为了提升传统WOA算法的寻优能力,提出基于多混合策略的改进WOA优化算法,并将其与机器学习XGBoost结合,提出基于改进WOA-XGBoost入侵检测模型。主要研究工作如下:（1）与其他优化算法一样,传统WOA算法也有着前期全局范围内的搜索不彻底,后期局部寻优时收敛速度较慢,容易陷入局部最优的问题。针对该问题,提出多种策略对传统的WOA算法进行改进。主要改进方法有两个方面:第一,针对前期全局搜索不彻底,中后期局部寻优较慢的问题,将原有算法中的线性递减因子改为非线性时变因子;第二,针对算法前期全局范围内寻优和后期局部范围寻优平衡性差的问题,引入了自适应权重策略,改变算法步长。（2）针对传统XGBoost参数取值方法较差导致算法性能不佳的问题,采用改进的WOA算法对XGBoost算法进行参数寻优,提出改进WOA-XGBoost算法,并建立基于改进WOA-XGBoost算法的入侵检测模型。在数据处理方面,先利用minmax归一化对数据进行降噪和统一处理,然后用主成分分析法对初始网络数据和降维处理,将判别结果的准确率作为适应度函数,将预处理后的数据输入模型中以训练模型。最后再随机取KDD CUP数据集中的其他数据进行测试,结果表明,改进WOA-XGBoost算法相比传统方法设置参数的XGBoost算法,准确率、敏感性、特异性都有显著提升,具有较高的识别精度,验证了该入侵检测模型的可行性。