经过多年的发展，我国的铁路信息化从无到有，取得了瞩目的成绩。计算机网络是铁路信息化建设的基本保证，也是铁路运输能够正常运转的前提条件。编组站CIPS(Computer Integrated Process System,综合集成自动化系统)网络担负着数据共享和交换的重任，这就必须考虑其安全性问题。虽然编组站网络具有一定的防御能力，但是，随着铁路计算机网络的不断建设，肆意蔓延的计算机病毒和复杂多样的网络攻击手段依然对CIPS网络构成很大威胁。入侵检测技术具有动态、透明的防御措施，不仅可以检测出网络外部的非授权攻击，也可以检测出网络内部人员的误用、滥用等恶意操作行为。传统的入侵检测系统存在着误报率、漏报率高的问题。为了更好地防护CIPS网络的安全性，针对其网络中入侵检测存在的问题，设计一个性能良好的入侵检测系统具有重要的现实意义。BP(Back Propagation,误差反向传播)神经网络算法具有自学习、自适应能力强，容错性好等优点，但是该算法存在易陷入极小值，收敛速度慢的缺陷，所以论文采用具有全局搜索能力的GA(Genetic Algorithm,遗传算法)来优化BP神经网络的权值和阈值，以达到优势互补的目的。论文建立了基于GANN(Genetic Algorithm Neural Networks,遗传算法神经网络)的入侵检测模型。实验数据采用专为入侵检测评估提供的标准数据KDD CUP99数据集。由于数据庞大，而且维数较多，在数据预处理过程中，论文采用主成分分析法来降低数据维数，以去除贡献率低的数据，从而减轻了网络训练负担，节省了训练时间。由于数据类型是多样的，且度量单位也不一样，因此，对数据进行归一化处理。经过大量的理论研究和Matlab仿真实验，将一些典型的攻击数据进行仿真实验，并对基于BP的入侵检测模型和基于GANN的入侵检测模型进行对比，实验结果表明：基于GANN的入侵检测模型具有良好的识别能力，总体识别率高于基于BP的入侵检测模型，误报率也明显降低，达到了良好的检测效果。