由于互联网在防御与自主管理能力方面整体较弱,这使之很容易遭受攻击。这也是网络安全问题难以解决的重要因素。为了进一步提升其主动防御能力,就需要显著提升其入侵检测准确水平,从而大幅降低误报率,同时还能对数据过载等问题给予弱化,将数据挖掘技术运用到网络入侵检测中,以达到建立一个具有自适应性以及良好的扩展性能的入侵检测系统。本文首先结合人工免疫算法的网络入侵方法,对生物免疫机制进行模拟,进而使之拥有动态学习、自我监控、分布式运算等诸多功能,有效提升了该算法的效率与效果。研究结果表明在入侵行为的检测正确率和减少误报率这两个指标方面,都有着较大的进步,同时还很好改善了其它相关入侵检测算法的缺陷,进而为相应的入侵检测开拓更新的思路。其次通过建立一种以贝叶斯为基础对网络入侵主动检测模型,然后对其进行相应的仿真分析。在此模型之中,主要运用了主成分分析法,对网络数据包所涉及到的关键性、消除冗余等属性进行提取,同时还进一步对维数给予降低,最后使用贝叶斯分类装置完成分类。然后结果显示,该模型在检测入侵目标方面完全可以满足要求,而且检测速度有所加快,实验结果较满意,但误报率过高这一不足仍需改进。另外以优化的遗传算法神经网络为基础,进一步创新入侵检测系统模型。也就是借助于该遗传算法,来对神经网络(BP)权值进行优化,使得它们能够很好的融合。这样便能借助于已经成功被训练的BP网络对可疑入侵行为加以验测,进而辨识出这些入侵行为的具体类型。通过MATLAB仿真可以得出:这两种算法的融合,可以更好的实现网络入侵行为的检测,相较于传统模型而言,它的辨识率与检测效果都具有明显优势。除了以上三种方法外,又对深度学习算法进行了研究与分析,构筑卷积神经模型,将相关原始数据利用相应的分线性模型加以转换,使之变换成更为高级、抽象的形式,对原始数据分类能力给予强化,同时削弱原始数据中与分类不相关的特征分类。相关实验结果显示,该算法可以对特征局部相关性加以准确提取,这使得整体特征的提取准确性得到显著提升。最后对四种基于数据挖掘的网络入侵模型仿真实验结果加以分析,对比不同算法各自的优势与劣势,选出最有效的一种网络入侵检测模型,从而有效解决网络入侵检测问题,在自动化程度得到提高的同时,也加强了检测准备效率与自适应能力。