随着科技进步和计算机网络技术的发展,越来越多的人融入到了网络,享受着网络带给人们的种种便利。但同时随着互联网规模的迅速扩大,安全问题已经成为一个互联网发展中无法回避的核心问题。虽然传统的安全保护技术如采用认证和授权、访问控制、信息加密、虚拟专用网、防火墙等在一定程度上增强了计算机系统中敏感数据的安全性,但还是不能阻止授权用户滥用计算机致使信息被非法窃取的情况。于是入侵检测技术就应运而生。入侵检测是对防火墙、数据加密等安全保护措施的有效补充,能够识别针对计算机和网络资源的恶意企图和行为,并做出及时响应。针对目前入侵检测系统中存在的高漏报率、高误报率问题,以及各种安全设备之间的相互独立问题,本文提出一种基于蜜罐学习的神经网络入侵检测模型。该模型将径向基函数神经网络应用到入侵检测系统中,使系统具有自学习、自适应能力;改进了基于遗传神经网络的学习算法,以实现并行搜索,从而优化了学习算法;将蜜罐与入侵检测结合以降低误报率。该模型是基于正常与异常两种样本特征库之上的,这样大大会降低漏报率。本文设计了一个新型的入侵检测模型,详细介绍了该模型的实现过程,最终通过仿真实验对数据进行分析。并与传统的入侵检测方法进行了比较。实验结果表明该方法效果良好,学习速度快,漏报率、误报率很低。