当今的网络安全问题日益突出,入侵检测系统IDS(Intrusion DetectionSystem)已成为必不可少的安全手段。所谓入侵检测就是检测和识别针对计算机系统、信息系统、网络系统的非法攻击和入侵行为,该技术已经在全球范围内被广泛用来保护公司、组织的信息网络。鉴于此,入侵检测技术日益成为网络安全领域的一个关键技术。由于传统的基于规则的入侵检测技术存在规则库难以管理、统计模型难以建立等问题,本文提出了基于神经网络来进行入侵检测的思路。神经网络在模式识别领域有着广泛良好的应用,而网络入侵检测实际上就是对网络数据流进行模式识别并将其分类为正常或异常数据,因此利用神经网络的模糊运算能力在一定程度上可以解决入侵检测系统中存在的一些问题。本文重点研究了误差反传算法(Back Propagation,BP),为了提高传统BP算法的学习速度,论文对传统算法进行了改进。基于改进的BP算法,本文设计并实现了一个神经网络入侵检测系统原型。对该原型系统的测试表明,将神经网络技术应用到入侵检测技术的思路是可行的,而且实验中取得较好的效果。在研究过程中,也发现了一些问题,在今后的工作中需要逐步解决,继续探讨神经网络在入侵检测领域应用的可行性。