数据挖掘在人工智能的研究中具有重要地位。传统的数据挖掘研究一般基于理想环境进行,即数据是完整的,类别是均衡的。但在现实世界中环境是非确定性的,即数据中普遍含有噪声,且类别具有不均衡性。因此,如何让系统更好地在复杂的非确定性现实环境下进行学习,已成为机器学习领域里的一个重要课题。与此同时,网络入侵检测也逐渐成为计算机界研究的热点问题之一,采用数据挖掘的方法进行入侵检测有着检测速度快,规则更新快,方法灵活等优点。但是网络数据具有很强的类别不均衡性,正常数据将远大于入侵数据,特别是异常但又不是非法的操作会严重影响分类的准确性。因此,设计一种能够应用在入侵检测数据集上的数据挖掘方法显得十分重要。　　 本文主要的研究工作及成果体现在如下几点:　　 1)综述了若干用于入侵检测的人工智能方法以及若干基于人工智能方法的网络入侵检测系统,重点分析了常用的数据挖掘方法在入侵检测方面的优缺点。　　 2)针对MIT入侵检测数据集,仔细分析了该数据集中存在的数据不均衡现象,并指出这一现象产生的原因及目前研究水平。　　 3)针对数据类别不均衡性尤其是入侵数据集中的类别不均衡性问题,提出一种改进的决策树算法PC4.5算法,该算法能有效处理不均衡数据集的样本。　　 4)在研究了以往对于不均衡数据集单一问题的解决办法的同时,提出了一种针对入侵数据集的解决方法,该方法结合了取样策略、算法选取、聚类、Co-Training等方法,在实际应用中提高了分类的精度；并采用合理的评价标准避免了识别率低准确率高的问题。　　 5)基于上述研究成果,设计并实现了一个基于数据挖掘方法的入侵检测系统。该系统具有自学习性,同时也不需要很强的入侵检测专业知识。