在当今信息时代,入侵检测作为一种主动的安全防护技术,提供了对内部攻击、外部攻击和误操作的实时保护,能够从网络安全的立体纵深、多层次防御的角度出发提供安全服务,由此成为安全领域的研究热点之一。本文从理论知识入手,给出入侵检测的相关概念、基本原理及主要步骤,介绍了入侵检测技术的分类、入侵检测系统的基本结构和功能等内容。然后通过分析著名的网络入侵检测系统Snort,搭建了一个能在实验室环境下进行攻防研究与开发的模拟仿真平台,加深理解了入侵检测系统的工作方式,为下一步深入研究入侵检测的相关智能算法奠定了基础。对于组成入侵检测系统的各个模块,文章从分析数据包捕获、特征签名库的建立、协议解析、原始数据预处理、检测分析等几个关键环节着眼,用具体的实例和实验来说明完成这几方面工作所要使用的技术和必备理论知识。文中针对入侵检测中存在样本少、特征多、难于将实际经验与现有算法有机结合的问题,研究了如何将交互式遗传算法(IGA)应用到入侵检测技术中,利用专家经验和用户反馈来改善IDS整体的检测性能,并结合支持向量机(SVM)常用于各种分类和预测问题并有较好效果的特点,设计出改进后的分类识别算法。通过借助标准数据集KDD1999进行仿真实验,将交互式遗传算法与支持向量机相结合进行入侵检测,其正确识别率优于传统的遗传算法,说明了本文的方法应用于IDS领域是有效、可行的。论文最后的部分探讨了近些年在许多不同领域都得到成功运用的集对分析理论,根据对集对思想的理解及先前在入侵检测方面研究的心得,假设了基于集对分析的入侵检测模型,并继续借助标准数据集进行仿真实验,相关实验表明将集对分析理论应用于入侵检测是可行有效的,同时对下一步继续要完成的研究工作做了计划和展望。