入侵检测技术作为一种主动地安全防御技术,及时地检测各种恶意入侵攻击并在网络系统受到危害时进行响应,它是传统安全技术的有效补充,也是当前计算机网络安全理论研究的一个热点。入侵检测技术可分为基于误用和异常两大类,人工神经网络作为异常检测技术被应用到入侵检测中。人工神经网络以其自学习,记忆能力,不仅能检测到已有的攻击,还能检测到未知的攻击,使入侵检测技术朝智能化的方向发展。论文涉及用于训练MLP神经网络的标准反向传播算法,为改善其性能,如收敛性,泛化能力,研究了其改进算法。本文采用基于动量更新的反向传播算法训练MLP神经网络,取得了较好的实验效果。为进一步提高神经网络的泛化能力并改善其稳定性,本论文研究了多分类器融合方法中基于投票优胜,基于贝叶斯理论,基于D-S论据,神经网络等方法,并分析了其优缺点,论文对集成学习模型进行了改进,较好地利用了神经网络自适应动态确定权值的优点,提出了采用完全表决融合方法和神经网络融合方法相结合的二级决策模型。首先,用三个神经网络作为三个分类器分别对三类特征进行训练、学习,然后对三个神经网络的输出结果采用完全表决法决策,对未能给出决策结果的数据采用神经网络融合方法给出最终决策结果。采用该模型实验取得了较好的检测结果。最后,完成了基于神经网络多分类器的Snort系统的总体设计和部分实现,将异常检测和误用检测很好地结合。