随着计算机的联网,网络安全就成了一个问题。为了防范网络入侵,入侵检测技术成为了人们研究的热点问题,入侵检测系统试图监视和尽可能阻止可能的入侵或者其它对他人的系统和网络资源产生危害的行为。通过被授权用户的行为特征来建立神经网络模型,可以用来监测入侵行为。目前,以神经网络为基础的入侵检测系统方面的研究已取得了许多成绩,将它应用在入侵检测系统中可以提高入侵检测系统的效率,增强系统的自学习能力。目前研究最多、应用最广泛的是一种多层前馈神经网络,即MLP(多层感知器)神经网络,但是MLP网络模型只能孤立的处理每一个事件,不具备对先前事件的记忆功能,这导致系统无法处理需要连续的数据流作为输入的任务。因此,本文提出一种基于MLP和Elman混合神经网络模型的入侵检测系统用于异常检测和误用检测。本模型具有记忆功能可以有效的检测离散而又相联系的协作攻击行为。MLP神经网络实现了一个实时的模式分类器,而Elman神经网络以MLP神经网络的输出作为输入,并实现了对近期的事件的记忆功能。本文提出的混合模型具有模块化的结构,具有很强的可扩展性和复用性。基于此混合模型的入侵检测系统使用DARPA数据集进行训练和测试评估,使用ROC曲线对系统的性能进行分析。经实验证明基于此混合模型的入侵检测系统可以有效的提高检测率,降低误报率和漏报率。