随着计算机网络特别是因特网技术的发展,网络在我们的日常生活及工作中扮演着越来越重要的角色。而在网络增长的同时,越来越多的敏感信息被在线存储和管理,使网络更加脆弱、更容易受到网络上各种恶意或非法用户的攻击,因此网络安全已变得越来越重要。诸如用户鉴别、防火墙等被动防御的传统网络安全技术,已不能完全满足网络安全的需要;而入侵检测作为一种主动防御的安全技术正成为实现网络安全的另一个重要技术手段和第二道防御措施,并成为当前的热点研究领域。本文针对入侵检测系统存在的对入侵事件高漏报率和误报率,提出了一种将粗糙集RS(Rough Set)方法与Adaboost(Adaptive Boost)算法结合起来的入侵检测方法。利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少Adaboost训练数据,提高处理速度;Adaboost是一种构建准确分类器的学习算法,它将一族弱学习算法通过一定规则结合成为一个强学习算法,从而通过样本训练得到一个识别准确率理想的分类器。实验表明,该方法具有很高的检测率和检测效率。本论文的主要研究工作如下:(1)介绍了入侵检测基本理论,并分析了多种入侵检测方法。(2)介绍了粗糙集理论的相关概念,研究了基于粗糙集理论的属性约简和值约简算法。(3)本文对Adaboost算法进行了研究,并对其进行了改进,使其更加适用于入侵检测。