计算机网络技术的快速发展和广泛应用,极大地提高了现代人生活的便捷化和企业发展的现代化。但是,随之而来也产生了很多问题,如何保障网络环境的安全是其中一个非常严重的问题。入侵检测技术作为保障网络安全的核心技术之一,是一种为了保证计算机系统和信息安全而设计的、能及时发现异常的检测技术。以入侵检测技术为核心的入侵检测系统,也就成了保障网络环境安全必不可少的组成部分。入侵检测系统的功能性、检测效率以及准确性,都将直接影响入侵检测的有效性。优秀的入侵检测系统应当具备以下特征:（1）检测时间短,报警速度快;（2）有效应对未知攻击危险,保障主机安全。目前常见的入侵检测系统有Snort、Onion、NFR等。Snort入侵检测系统由于其开源、模块化设计和可扩展等特性,在众多入侵检测系统中脱颖而出,成为使用范围最广泛的入侵检测系统,经过不断的重写、研究也成为现今入侵检测系统实施上的业内标准。但是,当前Snort入侵检测系统的检测机制是依赖于其已有的规则库,对比规则库中的异常规则和实际获取到的数据,根据对比结果判断入侵行为。此过程需要进行大量的匹配工作,在面对快速且复杂的网络环境时,容易发生漏报事件。此外,Snort检测模块在技术上使用了误用检测技术,这一技术欠缺面对未知风险时的检测能力。针对以上问题,本文选择轻量级开源入侵检测系统Snort作为研究对象,对其检测功能进行优化和拓展,增强系统的检测性以及面对未知风险的能力。本文的研究工作主要有两个方面。一方面,优化原有检测算法的检测效率。Snort在入侵检测模式下,影响其使用效率的最大因素是在模式匹配模块内消耗的时间。本文首先分析了Snort算法以及其他的Snort改进算法,并分析了它们的优劣,针对其缺陷提出了新的改进算法。新算法增加模式匹配时的跳跃步长,减少了匹配次数,加快匹配时间,从而提高原有检测算法的检测效率。通过对比实验结果证明新算法的匹配速度有了明显提高,与原有算法相比匹配时间减少了一半。另一方面,在Snort里增加了新的误用检测模块,以提高Snort检测未知攻击的能力。本文引入神经网络分类模块,增加Snort神经网络插件。新插件利用CNN-Bi LSTM算法,借助CICIDS2017数据集训练出最合适的模型。实验结果表明,新模型在分类网络数据时,分类准确度在98%左右。同时面对未知入侵行为,其将入侵行为检测出来的准确度高于60%。最后,完成了改进后的Snort系统在Windows环境下的编译运行工作,并在此基础上构建出完整的入侵检测系统,系统匹配时间更短,可以有效地检测未知攻击行为。