支持向量机是一种重要的机器学习方法,且具有良好的泛化能力,因此,该方法的研究引起了国内外学者的广泛关注,并提出了很多不同的支持向量机算法,然而这些方法却存在对噪声敏感、训练时间长且易引起过拟合等问题。为了解决支持向量机中存在的问题,研究人员通过考虑每个样本的不同作用,或基于近邻支持向量机的思想,以此提高支持向量机的泛化能力。另一方面,随着计算机网络的广泛使用和网络之间信息传输量的急剧增长,许多机构和部门数据的安全性受到了严重的威胁,如何阻止网络黑客的入侵,保证计算机和网络系统的安全成为网络管理员所面临的一个重要问题。目前,支持向量机作为一种机器学习方法已经用于入侵检测,但由于传统支持向量机方法存在一些缺陷,使得该方法用于入侵检测的效果并不明显。针对这种情况,有必要研究更好的支持向量机算法,以便进一步提高入侵检测系统的性能。本文借鉴模糊支持向量机的思想,针对v-SVM和孪生支持向量机,研究了基于模糊方法的支持向量机和孪生支持向量机,以及它们在入侵检测问题中的应用。具体研究内容如下:1.将模糊方法应用于v-SVM中,给出了模糊加权的支持向量机算法v-FSVM;针对支持向量机的二次规划的对偶问题,利用超松弛迭代技术,给出了求解该问题的一般迭代方法。2.将模糊方法引入到孪生支持向量机v-TSVM中,通过对每个样本进行模糊隶属值的加权,给出了模糊加权的孪生支持向量机对应的二次规划问题,通过求解该优化问题,获得了两个非平行分类面,给出了基于模糊加权的孪生支持向量机算法v-FTSVM,有效地减少了噪声对分类面的影响;同时,也研究了解决v-FTSVM的迭代方法。3.针对v-FSVM和v-FTSVM算法在标准数据集及入侵检测数据集进行了实验研究,从分类正确率、检测率等方面分别与传统支持向量机、模糊支持向量机以及孪生支持向量机的性能进行了实验比较;另外,实验研究了提出算法的迭代方法,进一步表明了提出算法的有效性。