本论文研究的目标是将粗糙集和支持向量机相结合应用到入侵检测系统中以提高入侵检测的检测正确率,降低误报率和漏报率。为此,论文主要做了以下工作:(1)介绍了入侵检测系统的概念与意义,介绍了几种新的入侵检测方法,分析了现有入侵检测系统中存在的问题并对入侵检测技术的发展方向作展望;(2)将粗糙集理论知识应用到特征属性约简中,应用粗糙集理论简化训练样本数据集,分析对象集的增加与属性约简的变化关系;(3)将支持向量机应用于入侵检测,针对小样本问题对数据进行采样,减小训练数据的规模;将增量学习应用在入侵检测SVM(支持向量机)分类器中,减少了存储空间的占用并减少了后续训练的时间;(4)提出一种增量式绝对属性约简算法,将增量学习应用到入侵检测系统中,大大提高了系统的自学习性与自适应性及鲁棒性,实验表明该约简算法在效率上较现有算法有明显提高。(5)给出一种基于粗糙集和Online-SVM结合的入侵检测规则提取方法。针对网络连接记录特征属性高维的特点,采用粗糙集属性约简的方法压缩数据空间,在有用信息不受损失的前提下降低了数据处理的规模,在用Online SVM方法对数据进行训练时,摒弃传统方法需要高质量训练样本的假设,采用样本实时更新的方法对数据进行实时分类训练、检测。试验表明,该方法可以减小时间开销,并使规则提取具有实时性,符合现实工作的要求。