当今社会信息安全变得越来越重要,而网络的开放性使其容易受到外界的攻击与破坏,信息的安全保密性受到严重影响。入侵检测作为计算机及计算机网络安全领域的一个十分重要的研究课题,其技术是对其它信息安全技术的一个重要补充。用数据挖掘的手段进行入侵检测是学者们正在讨论的研究内容。本文首先重点介绍了朴素贝叶斯分类器、贝叶斯网络分类器和增量贝叶斯分类器三种典型的贝叶斯分类器,并且分别分析这三种分类器的优点和不足。由于,网络信息数据在入侵检测系统中主要由分类器进行学习和预测,因此,通过数据预处理对数据进行约简,除去冗余属性,能够提高分类器学习和预测的速度和准确率。本文提出了一个新的属性约简算法,实现对数据的属性约简,除去数据冗余属性。然后通过实验,把经过新的属性约简算法除去冗余属性的数据,分别用三种分类器进行学习和预测,将学习时间、预测时间和准确率进行比较。得出结论:基于新的属性约简算法的朴素贝叶斯分类器应用在入侵检测系统中是可行的。最后,通过本文中的新的属性约简算法处理后的数据集与通过经典属性约简Rosetta软件约简后的数据集在使用Weka软件中的朴素贝叶斯分类器进行学习和预测后相比,学习和预测的时间减少的同时,分类的准确率也有了一定的提高。证实本文提出的新的属性约简算法有效,可行。