随着计算机网络规模的扩大及网络攻击行为的泛滥，网络安全成为一个倍受关注的焦点，并成为国家安全的重要组成部分。入侵检测作为保护网络安全的重要技术手段，正受到越来越多的网络用户及网络安全研究人员的重视。　　本文将支持向量机（SVM）技术应用于网络入侵检测（简称为入侵检测），在公共入侵检测框架（CIDF）的基础上，提出了基于SVM的网络入侵检测模型，并对模型进行了详细的设计。　　由于入侵检测的网络连接特征同时包含符号值和连续值数据，是异构数据集；而原始的SVM算法不能直接处理离散值数据，所以本文采用异构数据距离函数HVDM函数构造了新的HVDM-RBF型核函数，这使得SVM在处理连续值的基础上拥有处理异构数据集的能力，同时经过数据归一化也大大降低了内积的计算量，提高了SVM的训练和检测效率。　　由于网络特征集中存在噪音特征，本文对特征进行排序和选择。首先，采用了基于性能的特征排序算法进行特征的排序与选择，然后对此算法进行了改进提出了基于互信息性能驱动特征选择算法。这样即提高了训练效率又保证了训练效果，有效的降低了噪音特征对分类结果的影响。　　由于入侵检测是一个多值分类问题，而最初的SVM算法只适用于二值分类，因此本文介绍了多种针对SVM的多分类算法，并讨论了一种基于决策树的SVM多分类算法——SVM决策树，定义了一种类间分离性测度作为类间分离性的度量标准以确定树节点，解决了入侵检测的多分类需求。　　最后对实现的入侵检测系统进行了测试，与其他方法相比较，得到了较好的检测结果。