目前，由于对计算机和信息技术日渐依赖，计算机网络及其相关安全问题已经成为个人、企业、组织或政府事务的一部分。对计算机网络的高度依赖，同时在网络上分享和存储我们的重要信息是一把双刃剑，既有优点又有缺点。在过去几十年中，我们面临着诸如零日攻击、隐身恶意软件、拒绝服务攻击、试探攻击、数据库入侵等安全问题的严重威胁。随着安全事件急剧增加，许多组织认识到利用复杂的工具和方法来保护业务连续性并减少恶意活动对其工作事务的必要性。因此，网络入侵检测和保护引起了许多研究人员和安全提供商的广泛关注。　　虽然在网络入侵检测系统(IDS)中已经提出了许多基于机器学习的数据分类算法，但这些算法都有自己的优点和缺点。在本论文中，针对解决智能IDS的不同方面，提出了如下三种方法:　　提出了一种高效的、自适应和精确的IDS框架，通过将多准则线性规划(MCLP)、支持向量机(SVM)分别与时变混沌粒子群优化(TVCPSO)相结合，帮助模型进行参数调整和特征选择.　　提出了一种具有解稀疏性和鲁棒性的方法用于解决多类网络入侵检测问题，该方法基于Ramp损失的K支持向量分类回归1，被称为“Ramp-KSVCR”。在这种方法中，解决了三个问题:供给数据在分布上的高度不平衡性和非对称性、支持向量机对于存在噪声和异常值的敏感性以及对大规模问题学习的适应性。　　提出一种鲁捧的异常点检测方法，即Ramp损失的一类支持向量机(Ramp-OCSVM)。该方法在缺失了攻击模式和异常点的训练数据集上具有良好的适应性。　　对于论文中不同章节中提到的每一种方法，使用了最常用的网络流量数据集NSL-KDD和最近公布的入侵检测数据集UBSW-NB15来做实验。同时，在某些实验中使用了从UCI上下载的人工数据和基准做深入实验研究。从每个部分的实验结果可以看出，提出的方法较其他相关方法更好的泛化能力、检测率和误报率，并且有更快的训练速度。