随着计算机网络技术的发展，计算机网络在交通运输领域也得到了广泛的应用。计算机网络的普及和应用，对网络安全提出了更高的要求。入侵检测作为网络安全研究的重要内容，更是引起了国内外的广泛关注。 传统的入侵检测方法存在误报、漏报及实时性差等缺点，特别是需要大量或者完备的训练数据才能达到比较理想的检测性能，并且训练时间较长。所以研究在小样本的情况下，能正确提取训练数据特征，且生成的模型具有良好的泛化性能的入侵检测方法，具有重要的理论和现实意义。 本文通过对当前入侵检测系统中检测方法所存在的一些问题的分析，结合支持向量机分类算法的特点，将支持向量机作为检测方法应用到网络入侵检测领域。 通过对传统支持向量机算法分类性能的分析，为了解决传统支持向量机生成支持向量存在重复问题，本文提出了一种自动加权支持向量机，对C-SVM改进的AW-SVM(Auto-Weighted SVM)算法。考虑到C-SVM的特点以及在入侵检测时检测攻击比检测正常数据更重要的事实，提出了WC-SVM(Weighted C-SVM)算法，在训练时对重要的类和样本加权，从而降低了对重要样本错分的可能。根据网络数据是奇异数据的特点，本文还对分类算法中的核函数进行了修改，使之能更适合网络数据的检测。 根据改进后的支持向量机算法和核函数，本文设计实现了一个基于支持向量机的入侵检测分类器，并对其效果进行了测试。测试结果表明，改进算法的训练速度和分类速度都非常快，对每条记录的处理都在毫秒级，且精度较高，普遍高于一般的分类算法。结果也表明，支持向量机算法的学习能力很强，对于新的入侵方式也有很好的效果，可以检测未知的攻击，具有较好自学习的能力。