网络的开放性使其成为易受攻击的目标，整个社会对计算机网络的依赖日益增大也使得网络犯罪问题日趋严重。因此，网络安全成为计算机科学研究领域最受关注的问题之一。入侵检测系统是一种常见的网络安全保障手段，它通过从计算机网络或计算机系统中的若干关键点收集信息并对其进行分析，以发现网络或系统中是否有违反安全策略的行为和遭到攻击的迹象。然而，目前已有的入侵检测方法都不能完全检测出所有的入侵行为，入侵检测率不高，检测算法单一且没有综合运用多种检测手段。本文研究目的在于探寻一种有效的检测方法，从历史网络审计数据里寻找正常行为与异常行为规律，提取正常与异常行为模式，力求从更高层次上对数据进行剖析，从而完成单包模式匹配所不能完成的攻击类型的检测。最终完成一个基于神经网络的网络入侵检测系统的设计，使其正确率和可用性在一个比较理想的范围内，并在一个特定环境中实现。因此，本文是在已有入侵检测系统模型的基础上，对基于神经网络的入侵检测系统应用进行了研究，并依托企业校园网平台进行了实际的实验与测试。论文主要工作如下：（1）从网络安全现状着手，分析了入侵检测技术研究的必要性，阐述了入侵检测系统的基本工作原理、研究现状及未来的发展态势。（2）将BP神经网络应用到入侵检测技术中，构造了基于神经网络的入侵检测系统，系统包括数据提取、辅助决策等六个模块，详细分析了神经网络分类器的的构建。（3）为了验证系统的有效性，做了大量的数据准备，在校园网环境下进行了攻击模拟，对捕获到的入侵数据做了深入分析，并以捕获到的正常数据与入侵数据对系统进行了训练与测试。（4）对实验结果进行统计和分析，实验结果表明，基于神经网络的系统对已知入侵类型与已知正常数据模式具有较高的检测率和较低的误报率，并具备对未知类型数据良好的识别能力，因而本文设计的基于神经网络入侵检测系统具有较高的实用价值。最后，论文对课题研究做了总结归纳，并对课题进一步的工作进行了讨论。