随着互联网的快速发展,各种形式的网络攻击层出不穷,植入木马后门、通过网络发动DDOS攻击、入侵网站上传Webshell后获得服务器的执行操作权限等,本文主要针对网络安全问题中的入侵检测、Webshell检测,研究了集成学习与特征工程并将其在Webshell检测以及网络入侵检测进行应用。本文主要工作包括:在对近年来发展的Webshell检测技术进行分析的基础上,提出了多分类器集成模型。首先对文件进行文本分析,提取PHP文件的有效信息,包括静态字符、操作码等特征;其次,对不同的基分类器进行训练和分析,提出基于Stacking的集成模型。针对网络入侵检测,本文提出了一种基于递归特征消除(RFE)的集成学习入侵检测方法。入侵检测方法主要分四步:第一步,对获取到的数据进行预处理,从数据集中消除冗余和不相关的数据,以实现更好的资源利用,降低时间复杂度。第二步,基于特征工程从预处理数据中提取新特征,通过实验对比主成分分析(PCA)和RFE两种不同的特征工程算法,最终使用基于决策树的递归消除算法来提取特征;第三步,用提取的新特征训练相关的集成学习模型;最后,通过改进的Stacking技术进行模型融合并产生最终的输出。本文提出的Webshell检测技术经过多个GitHub开源项目数据集验证最终可以达到98.447%的准确度和99.227%的精确度,比传统的机器学习算法效率最少提高3%,与主流检测工具相比也具有出色的表现。网络入侵检测基于KDD CUP 99标准数据集进行对比实验,分析现有入侵检测技术以及多种机器学习算法,实验结果表明,基于RFE的Stacking的方法可以提高入侵检测的多项技术指标,除了 U2R准确率为98%的情况外,其他各种特征的准确率均高于99.4%。