随着网络的广泛应用,网络安全问题也越来越严峻。当前网络攻击方法层出不穷,入侵规模不断扩大,使得目前防火墙等被动的网络安全机制对许多攻击无能为力。入侵检测技术作为一种主动防御技术,弥补了传统安全技术的不足,故对入侵检测技术的研究十分必要。一般情况下,要提高入侵检测系统分类器的识别率总是过度地提取特征信息,结果不仅特征空间维数增大,而且存在较大的冗余。因而需要在尽量不降低分类精度的前提下降低特征空间的维数,从而提高入侵检测系统的速度。　　 本文主要结合遗传算法、粒子群算法、支持向量机等技术改进特征选择方法,并将其应用在入侵检测领域以解决病毒数量大、变化快、维度高和干扰多的问题。同时在病毒入侵检测的检测效率与精度等方面做出积极的探索。论文的主要工作总结如下:　　 改进一种基于遗传算法的特征选择方法。针对检测效率与精度的需求,改进了一种基于遗传算法来实现特征子集选择。该算法结合F1-measure评价指标和分类权值来构造适应度函数;采用海明距离生成优质初始种群;同时,该算法利用遗传算法优化了支持向量机分类器的参数。　　 改进一种基于二进制粒子群遗传算法的特征选择方法。针对遗传算法变异的盲目性,容易陷入局部最优解、存在早熟现象等缺点,通过改进一种基于二进制粒子群遗传算法来实现特征子集的选择。该算法根据当前迭代次数动态设置自适应惯性权重更新方法;通过调整学习因子加快收敛速度,提高了算法性能:利用粒子群算法来构造变异算子,避免了遗传算法变异的随机性;进行种群分割有利于保持种群多样性。　　 实验表明算法能够提高对病毒的检测的精度与速度,能够有效地进行特征选择消除特征冗余,提高入侵检测的性能与保护系统安全。