近些年,随着科学技术的迅速发展与进步,计算机技术同样也取得了令人惊讶的技术成果,如大数据,云计算,人工智能,机器学习等。随着计算机网络的不断复杂化,规模的持续扩大化,它的功能日渐增强完善,被迅速运用到各个领域。但凡事都有利有弊,网络带来了方便的同时也带来了许多安全方面的问题。入侵检测是目前计算机安全领域研究的热点之一,其主要是通过监控目标网络上的网络数据包,发现系统中是否有违背已制定安全策略的用户行为。目前最需要解决的问题是如何提高正确率。径向基（RBF）神经网络属于前馈型神经网络,它的优点是网络结构相对来说比较简单,算法收敛速率极高,有着非凡的非线性逼近能力,存在唯一的全局最优值,已经得到了广泛的应用。本文将机器学习中的部分算法与径向基神经网络应用于入侵检测技术中,主要有以下内容:首先,介绍基于梯度下降算法优化径向基神经网络各参数的分类算法,减少了径向基神经网络中隐含层节点数量,降低网络复杂度,提高检测准确率,使检测系统达到预期中的运行效率,实现检测目的。其次,介绍一种基于正交最小二乘法对径向基神经网络各参数进行回归迭代的分类算法,具有很高的逼近能力与泛化能力,在保证分类准确率的基础上,自适应构建规模最小的径向基神经网络,具有极高的实时性。使用传统的径向基神经网络分类算法与所提出的两种分类算法做比较,实验结果表明了所介绍的两种分类算法具有很高的分类正确率,验证了算法的有效性。最后,基于径向基神经网络分类算法设计了一种入侵检测系统通用框架模型,主要包含入侵检测系统几大功能模块,能够根据实际情况对模块进行增减,满足一个通用入侵检测系统所必需具有的基本功能。