在网络安全问题中，入侵检测作为一种积极主动的安全技术成为近年来的研究热点。入侵检测需要对收集到的数据进行分析来发现复杂的、隐匿的攻击行为。聚类分析作为数据挖掘中的一种关键技术，采用了无监督的学习方法，是进行数据分析的重要技术。将聚类算法用于网络入侵数据的检测，不仅能克服传统方法对未知攻击检测能力很有限的缺陷，还能有效的提高系统性能。 本文分析了现有入侵检测系统的利弊，针对其存在的缺陷，基于智能融合互补的观点，将基于神经计算和进化网络的聚类方法用于入侵检测研究。主要研究内容为： 1．对现有聚类方法及其用于入侵检测进行了较深入的分析和研究，总结了这些方法的利弊。 2．重点研究了人工免疫系统中的免疫进化网络。免疫网络聚类解决了传统聚类算法聚类前需要类别数，依赖原型、先验知识的问题。基于免疫网络的入侵检测与数据分布无关，可以有效的检测出异常行为和未知攻击。 3．提出基于ART和免疫网络聚类的入侵检测算法。该算法利用ART网络对大规模入侵检测数据进行预处理，获得疫苗作为人工免疫网络的初始抗体对网络进行免疫学习，然后利用图论中的最小生成树对网络结构进行聚类，最终获得描述正常行为和异常行为的数据特征。在KDD CUP99数据集上的仿真实验表明，经ART指导获得初始抗体的免疫网络，其收敛速度和解的精度均有很大提高。该方法可大量压缩原始数据，与数据分布无关，不依赖先验知识，解决了在海量无标识的原始数据中检测出异常行为和未知攻击的问题。