入侵检测系统是一种主动防御系统,它作为网络的“第二道防线”,有着其他静态防御体系无法替代的功能。随着网络攻击方式日趋多样,越来越多的智能技术被引入入侵检测系统。半监督学习是目前机器学习的热点,但它在入侵检测系统中的应用研究还甚少。本文对目前基于监督学习与无监督学习的入侵检测的优缺点进行了对比,将半监督分类技术应用至入侵检测系统中,根据具体的分类模型,提出新的算法,并设计了半监督入侵检测模型。首先,系统地介绍了当前入侵检测的现状,总结当前入侵检测中存在的问题及局限,并展望了今后的发展趋势。然后回顾了半监督学习的背景、理论、基本假设及几种常见的半监督分类方法。鉴于当前的半监督学习多以单分类器为主,而集成的多分类器又具有一些前者无法比拟的优势,本文主要对基于集成学习的半监督分类方法进行了研究,总结了集成学习的理论基础,介绍了几种常用的集成学习算法,并对集成学习的性能作了初步分析。最后,根据具体的入侵检测问题,提出一种适合入侵检测数据集的半监督算法——RST(Regulization Self-Training )算法,给出基于半监督分类的入侵检测模型——SSC ( Semi-Supervised Classification)模型,并利用实验验证了RST算法对分类器性能的改进。论文设计的半监督分类模型及RST算法能够充分减少安全专家对网络数据的人工标记,并能充分利用大量的无标记数据,具有一定的理论意义和使用价值。