当今世界，随着网络技术的发展和网络传播速度的大幅度增长，网络信息交流更加频繁，网络应用范围不断扩大，人们越来越依赖于网络，学习、工作、生活与娱乐活动都离不开网络。而网络安全也面临巨大挑战，来自黑客的网络攻击活动时刻都在威胁着网络安全，形形色色的犯罪活动围绕网络展开，维护网络正常运转，使人们享受网络带来的财富与便利愈来愈重要。面对严峻的网络现状，各国政府、各类组织和企业已投入了大量的人力、物力与财力来研究网络安全问题，已取得了大量研究成果，其领域覆盖密码学技术、防火墙技术、入侵检测技术、访问控制技术、防病毒技术和审计技术等。入侵检测技术作为网络安全家族的一员，以探测攻击为目标，在网络安全中起到主动防御攻击的作用。因此，入侵检测技术是计算机及网络安全领域中一个十分重要的研究课题，受到国内外许多专家、学者的广泛关注和参与，已成为网络安全领域中的焦点之一，得到了高度的重视。 入侵检测的研究核心实际上可以归结为分类问题，也就是说，在检测事件的过程中，判断被检测事件是正常事件还是异常事件的问题。基于此，本文充分利用贝叶斯分类算法和决策树分类算法，将基于贝叶斯原理的先验概率方法与决策树的信息增益方法相结合，给出一种分类算法，并将该分类算法应用于实际检测，经实验检验，本文的检测算法在一定程度上提高了分类的准确率和具有更强的鲁棒性。 本文主要开展了下列工作： （1）阐述了入侵检测技术在网络安全中的重要意义，分析并叙述了国内外研究现状；（2）阐述了入侵检测的概念、入侵检测技术的发展历史、分类、检测任务及其评价标准；（3）分析了贝叶斯原理与基于贝叶斯原理分类算法的优缺点，叙述了决策树理论与基于决策树的分类算法；（4）描述了入侵检测模型、入侵检测框架和各个组成部件，说明了各模块的功能；（5）提出了一个具有贝叶斯节点的决策树的分类算法；（6）用实验证实了算法的有效性，得出该分类算法与单纯使用贝叶斯网络或决策树方法相比具有更高的准确率。最后，总结了本文给出的分类算法的优点和不足之处，指出了以后需要改进的地方和进一步的研究方向。