入侵检测是近十年发展起来的一种动态监测、预防或抵御系统入侵行为的安全机制。目前入侵检测有许多模型和方法,而神经网络和模式识别等技术的引入使网络安全的智能检测研究成为热点。神经网络具有自学习、自适应的能力,只要提供系统的审计数据或网络数据包,神经网络就可以通过自学习从中提取正常的用户或系统活动特征模式,并检测出异常活动的攻击模式。这些特性使其在入侵检测中得到了很好的应用。目前最流行的神经网络学习算法是BP算法,BP学习算法是基于梯度下降这一本质,不可避免地会带来以下缺点:学习过程收敛速度慢;算法不完备,容易陷入局部极值,当学习速率设置过高时,可能产生振荡;鲁棒性差,网络性能对网络的初始设置比较敏感。这使得基于BP神经网络的入侵检测存在高漏报率和误报率,本文针对入侵检测的效率问题和准确性问题,提出了一种基于量子遗传算法优化BP神经网络的入侵检测模型,该模型基于量子遗传算法的全局搜索和BP网络局部精确搜索的特性,将量子遗传算法和BP算法有机结合,利用量子遗传算法优化BP神经网络的权重和阈值。针对基本量子遗传算法存在容易早熟和局部搜索能力弱等缺陷,提出了改进的量子遗传算法,并对量子遗传算法的各个环节进行了细致的分析与重新设计,包括量子比特编码、量子门更新、量子变异等。实验证明运用此方法可在一定程度上提高入侵检测的效率和准确性。