入侵检测是信息安全保护体系结构中的一个重要组成部分,主要从网络中多个关键点收集信息并进行分析评判,实现对网络实时监控,确保计算机网络资源安全性。针对当前入侵检测系统(Intrusion Detection System,IDS)中存在可扩展性、自适应性较差,无法检测出未知攻击,检测率偏低及误报率较高等诸多问题,本文从提高检测效率的角度出发对智能化入侵检测技术进行了相关研究。本文介绍了两种异常检测技术:基于BP神经网络与基于层次聚类的检测方法。详细分析了算法的实现过程,并通过KDDCUP 99网络入侵数据集进行实验,对比分析了这两种异常检测算法的优缺点,一方面说明了两种算法应用于入侵检测中的合理性与有效性,另一方面从实验得出在入侵检测效果上BP算法优于层次聚类;进而对BP神经网络用于入侵检测进行了深入研究。由于BP网络模型中网络初始权重的选取将直接影响到网络的收敛效果,因此本文提出了采用遗传算法对其进行优化,充分利用遗传算法全局寻优的特性找出最佳初始权重,以提高收敛速度,保证网络性能。通过对优化前后的检测性能进行实验对比,证明优化后的算法无论在检测准确率还是误报率上都有明显的改进。