粒子群优化算法(PSO)是一种新颖的群体智能优化算法,该算法是由Kennedy和Eberhart在1995年提出的,源于对鸟群和鱼群等群体行为的模拟仿真得到的。粒子群优化算法简单明了,易于实现,可调控的参数很少,且算法收敛速度快。粒子群优化算法这些优点受到了越来越多学者的关注,目前很多人对其进行了研究,并将PSO运用到函数优化、神经网络训练、模糊系统控制、模式识别以及其他遗传算法等领域中,具有很好的工程应用的前景。本文主要对PSO的基本原理、算法参数的影响、PSO算法的改进以及在入侵检测系统中的应用作了详细研究,所做的工作主要包括如下：详细地分析了粒子群优化算法中惯性权重因子、收缩因子、种群拓扑结构对PSO算法性能的影响,并就惯性权重因子的影响进行了实验。实验表明,带非线性惯性权重的PSO算法效果最好,具有很强的适应性。另外,对PSO算法从理论上进行了探讨,包括对粒子群算法的空间轨迹、数学形式、收敛性等方面的分析和讨论,仿真结果揭示了单个粒子的运动轨迹在一定的程度上反映了整个粒子群的变化趋势。基本粒子群算法不能解决离散问题,且容易过早收敛而导致早熟问题。针对这种情况,本文关注了粒子群算法的若干改进方法：离散PSO、混沌PSO、模拟退火PSO和免疫PSO,但是,在处理大量数据时,PSO的优化速度和精度大打折扣,针对这个问题本文提出了一种新的区间自适应粒子群算法,通过在一个自适应区间上动态优化PSO算法的权重配置,并采用SVM方法作为优化工具,将其应用到入侵检测系统中,从仿真实验结果可以看出,经区间自适应粒子群算法优化后的SVM,明显提高了数据分类的速度和精度。