随着物联网、大数据、云计算等技术深入人们的生活,网络安全成为人们关注的焦点。对于敏感的网络信息,如果不能有效保护,将极大限制高新技术产业的发展。目前,各种新的网络安全问题层出不穷,这需要我们不断的更新网络安全技术,以应对不断变化的复杂网络环境。针对上述问题,该文从数据集、数据预处理方法和机器学习算法等方面展开研究。首先,对目前应用广泛的入侵检测数据集UNSW＿NB15的特性进行了详细分析,得出了该数据集数据属性是否为离散型,在此基础上进行数据预处理,提高了算法的效率。利用不同特征选择和分类算法对数据预处理后的数据集进行分类,分析两者之间的关系,提高了检测的效率。其次,针对传统分类算法准确率低的问题,提出一种改进的主成分分析算法,该算法根据特征向量的方差贡献率和惩罚因子对降维后的特征向量进行加权,将加权之后的特征向量用K-近邻进行分类,通过实验发现该方法能提高分类性能。再次,针对贝叶斯网络构造比较复杂的问题,在爬山算法和信息论的基础上,对算法进行改进,通过互信息和条件相对平均熵构建初始网络,再与爬山算法相结合进行优化,从而获得更优的网络。针对爬山算法计算量大的问题,进而提出了先计算各节点间的条件相对平均熵差值的绝对值,然后根据绝对值大小限制最大父节点数,通过实验证明了该算法构造的模型比较稳定,能提高准确率。最后,针对网络攻击类型不断变化的问题,对基于K-means的异常点检测方法进行改进,在将新攻击作为异常点的前提下,将改进方法引入到新攻击发现中,并探究K值对算法性能的影响,然后与传统算法对比,发现改进后的模型性能更好。