现今,计算机和网络技术的发展日新月异,网络数据呈现几何倍率地增长,如何在规模庞大的网络数据中获取有价值的信息,已然成为重要课题。聚类分析技术作为最有效的数据挖掘方法之一,其在关于网络安全方面的异常入侵检测领域中发挥着不可替代的作用。基于划分的聚类方法在所有聚类方法中应用最广泛,比如基于点中心的k-means和基于平面中心的k PC、k PPC、q-flat、TWSVC等聚类技术,因其简单高效都备受关注。然而,以上方法在聚类过程中都会使用无界距离,这会产生三个问题:第一,无限延展问题;第二,对异常点敏感问题;第三,不能自动识别halo样本点。具体而言,无限延展问题会导致聚类混淆区域的出现,使原本属于A簇的少部分样本被归识为B簇;异常点敏感问题会导致聚类方法的鲁棒性受到影响,因为异常点的存在会对正常的聚类分割平面或中心造成偏移;最后,对halo样本的识别的能力有限。Halo样本可以定义为非常“靠近”正常类样本,但实际又不属于正常类的模糊边界样本,这类样本通常比较难识别和区分。而这类样本结构正好符合以动态、异构、高维以及海量为代表的网络入侵数据特性。为解决相关聚类算法存在的这些问题,本文给出了一种基于局部有限距离的聚类算法,并将此算法用于构建网络入侵检测模型。具体工作如下:（1）针对目前聚类算法大多基于无界距离的缺点,本文引入局部有限距离概念,通过局部有限距离去建立局部的聚类模型。该局部有限距离在聚类算法中的两个显著优势在于:第一,有限距离有效避免了无限延展问题可能带来的不同簇之间的混淆区域问题;第二,使用有限距离生成的聚类分割平面受噪声或者异常点影响小。因此,将局部有限距离用于聚类,提高了算法的鲁棒性。（2）提出了基于局部有限距离的聚类算法,该算法的主要思想是:在最优投影空间中最大化Capped L2,1-范数下的簇间距离,最小化Capped L2,1-范数下的簇内距离。所提算法避免了上述提到的三个问题,通过引入局部有限距离和判别信息实现了更有效的聚类,并通过Capped范数封顶操作自动识别halo样本。在人工数据、UCI基准数据以及图像分割数据上的测试结果表明,本文提出的模型具备有效性。（3）将上述所提聚类算法应用于异常检测领域,构建一种基于聚类的网络入侵检测模型。由于基于局部有限距离的聚类算法不仅能够实现稳定有效的聚类,还能自动识别halo样本,所以该模型在处理网络数据上具备优势。该模型主要包含初始类划分模块、子空间寻优模块以及聚类模块等等。最后,于经典的网络入侵数据集上验证模型有效性,结果表明,该模型具有十分良好的网络入侵检测性能。