入侵检测系统是当前网络安全领域的研究热点，在保障网络安全方面起着重要的作用。但由于传统的入侵检测系统只能识别已知的攻击和入侵，对未知的攻击无法识别或者无法正确识别，以及单机入侵检测系统和分布式入侵检测系统存在着在处理数据量大且集中时速度慢，且不能满足实时处理要求等问题。 人工神经网络是入侵检测系统智能化的一种有效方法。本文从介绍入侵检测的基本概念入手，分析现有IDS中存在的不足；然后通过对神经网络的研究表明，神经网络在概念和方法上都很适合入侵检测系统的要求。神经网络以自适应、自学习、自组织和较好的容错性等优点而在入侵检测领域中发挥了重要的作用，但传统BP算法存在收敛速度慢、易陷入局部极小点等问题。我们对BP算法中的误差估计做了探索性的研究，在Cauchy误差估计的基础上引入了一个动态调节因子。仿真实验表明其既具有快速收敛的优点又可以有效地逃离局部极小点以及BP神经网络参数的设置对实验结果有很大的影响。 本文研究的一个方面是利用开源Java类库--Jpcap，设计了基于Jpcap的用于入侵检测的数据捕获引擎；另一个方面是利用神经网络的非线性映射可以实现各种简单或复杂的分类能力，设计了基于BP神经网络的用于入侵检测的数据分析引擎；最后给出了Java语言实现的相关程序的源代码。实验表明数据分析引擎能有效地检测出数据捕获引擎捕获的数据中的异常的网络行为。