随着互联网的快速发展，互联网给人们带来了方便，也同时也造成威胁。目前网络攻击方法层出不穷，网络威胁也越来越多，网络安全问题日益突出，使得目前的防火墙等被动的网络安全机制对许多攻击无能为力。入侵检测技术的主动防御，弥补了传统安全技术的不足之处，但网络数据量越来越大，信息过载，使入侵检测技术面临着巨大的挑战，如何有效地的降低入侵检测的消耗，提高检测速度，将是入侵检测技术面临的最迫切的问题。　　在本文中，我们引入了特征选择技术，它可以通过一系列的子集搜索和评估，以找到最相关的特征，消除冗余特征，降低数据维数和提取有用的信息，降低了分类算法的计算复杂度，提高了分类算法的效率。通过深入的研究禁忌搜索算法(Tabu Search，TS)和入侵杂草(Invasive Weed Optimization，IWO)算法,分析其优点和不足。针对 TS算法对初始解依赖性强的缺点，使用IWO算法的群体操作特性为 TS算法提供初始解。IWO算法解空间以正态分布的形式比较稳定的分布，以适应度准则进行筛选，改善群体的质量。并对之后的每个个体开始，利用TS算法进行局部搜索，减少调用TS算法的次数，并对 TS算法的邻域分布规则进行改进，节约计算时间。IWOTS混合策略有效结合了 IWO全局搜索能力和TS的局部搜索能力，减少迭代次数，改善全局收敛性，并避免局部极小问题。　　这种混合策略，能够克服自己的缺点，发挥两种算法的优点。将该特征选择方法应用到入侵检测系统中，针对各种攻击类型提供最优特征子集，从而提高入侵检测的检测速度。通过建立入侵检测模型对 KDD99数据集进行实验验证，实验结果表明，该特征选择方法能在更短的时间有效去除的网络信息的冗余特征，并在确保检测精度的前提下，提高系统的检测速度。