随着互联网的迅速发展,网络信息安全已经成为计算机网络系统需要解决的重要问题之一。入侵检测系统作为一种积极主动的防御措施,成为近年来网络信息安全领域研究的热点。入侵检测系统按检测方式不同,分为异常检测和误用检测两种模式：基于支持向量机的异常检测技术由于可以发现未知攻击,近年来受到研究者的广泛关注。但是支持向量机学习过程需要求解一个二次规划问题,空间和时间复杂度较高,无法适应大规模网络入侵检测环境；Snort作为典型的误用检测系统,通过匹配规则来检测网络中的攻击,但随着攻击类型的增加,Snort规则库逐年递增,模式匹配的量越来越大,在大规模网络环境下严重影响了Snort的检测能力。近年来,图形处理器(Graphic Processing Unit, GPU)在通用计算领域以其强大的计算能力得到了广泛应用。由于GPU是专门为高密度,高并行度计算设计的,因此在大规模网络环境下,研究基于GPU的并行入侵检测技术具有重要意义。本文针对支持向量机,设计并实现了基于GPU的并行处理算法GMSVM,实验验证,该算法能有效的提高了支持向量机的的处理速度,提高入侵检测的效率。针对Snort入侵检测系统的模式匹配部分设计并实现了基于GPU的GSnort算法,实验表明,该算法能够提升Snort网络入侵检测速度,对减少丢包率有一定的改善效果。