本文基于神经网络理论讨论大规模网络入侵检测学习的方法,主要研究网络流量监控、网络数据学习以及分布式数据融合问题。采用ARIMA平稳时序建模方法实现了一种动态预测方法,预测未来时段内的流量特征,根据该流量特征对网络流量进行动态监控,并对异常流量发出流量超预期警告。方案在一定程度上避免了单阈值设定流量警告的困难,减少了系统的虚警率。针对经典SVM不适用于大规模入侵检测数据学习的问题,基于网络入侵训练样本的特征分析,提出了适用于多分类的SVM增量学习算法。该算法利用SVM训练样本的凸二次特性,将多维样本映射到高维空间并使其可分,然后利用样本的聚类特性,选取一定“厚度”的外壳数据作为SV保留下来,提高了检测率。针对模块化神经网络算法学习精度高但是效率相对较低的特点,采用SOM算法作为基本学习方法并利用其神经元竞争特性,引入模糊聚类FCM对SOM输出权值进行融合学习分类,不需要对任务进行特殊分解,采用自组织映射学习方法,对各模块所分配的任务进行学习,融合学习则采用类似的无监督学习方法,对相似解进行聚类。在保持SOM高精度的基础上,大幅度的减少了学习时间。针对神经网络学习的过拟合现象,提出了一种以Kalman滤波器为基础的修剪算法。该算法将神经元与神经网络的输出建立对应关系,利用Kalman滤波器的预测特性,对神经网络中的每一个神经元及其权值进行预测,找出其重要性的排序,并依据其重要性对网络节点进行修剪。这些算法均采用入侵检测数据集KDDCUP99进行测试,验证了算法的高检测率和较好的效率,表明算法适合大规模网络的入侵检测应用。最后提出了一种以网络内因、外因等指标为输入的评价方法,利用所提出入侵检测算法的输出作为网络性能评价参数,并综合其它变量因素给出了网络性能评价公式。