随着网络技术的迅速发展，网络被广泛的使用。随之而来的，网络也成为了攻击者进行攻击的主要平台和目标，各种攻击事件的发生逐年增加，造成的损失也愈加严重。目前网络安全技术主要使用静态安全技术。静态安全技术对防止系统被非法入侵起到了一定作用，但在真正的网络攻击行为发生时，尤其是在遭受新型的网络攻击方法攻击时，系统可能会遭受到不可预料的损失。因此需要研究一些积极主动的网络安全防御手段和反击手段。入侵检测系统(Intrusion DetectionSystem，IDS)是近20年来出现的一种新型动态网络安全技术，能够检测出多种形式的入侵行为，是现代计算机网络安全体系的一个重要组成部分。神经网络入侵检测比传统入侵检测具有更大的优势。人工神经网络入侵检测系统可以通过不断学习和训练，能从未知模式的大量复杂数据中发现其规律，构建起复杂系统的关系模型，对分类和预测有着很好的效果。本文利用一种混合模糊神经网络系统模型（FNHS）作为入侵检测方法。用混合模糊神经网络代替传统单一的神经网络，能有效地提高检测的正确率和预警率。并提出一种有效的降维方法对输入特征维数进行降维，缩小网络的规模，提高了网络的训练速度。实验中使用KDDCup99数据集作为神经网络的训练数据和测试数据，在仿真中体现出具有很好的检测效果，比较适合用于入侵检测系统中。