随着无线传感器网络(WSN)的蓬勃发展和广泛应用,从而暴露出由于应用场景恶劣和自身节点能量限制导致无线网络面临严峻的安全威胁,安全问题虽在WSN的研究中发展较晚,但是它具有十分重要的意义。WSN中的安全问题主要来自各种对节点的攻击,导致节点出现异常,所以对节点的安全检测显得尤为重要。异常值入侵检测被广泛看成是网络安全动态维护的最为重要的部分,为了更好的弥补网络安保能力弱的缺点,本文从无线传感器网络的特点出发研究提出了一种基于簇网络结构的异常入侵数据检测模型。本文主要研究了基于簇网络结构的一种支持向量机(SVM)算法的模型可以解决小样本非线性问题和局部最小值问题,有较强的泛化能力和高维入侵数据处理的能力。研究表明利用向量机的SVM模型可以直接对收集得到的数据集进行自动训练和建模,自动生成入侵检测模型,利用模型结构风险最小化来实现实际风险最小化的机器学习检测算法,极大的提高和改善了入侵数据检测处理系统的数据处理效率。为了验证SVM应用于该三层异常入侵数据检测模型的算法可以更有效的将将簇网络成员节点从网络中收集得到的样本空间数据集合并分类成异常入侵检测数据和正常入侵数据。进行算法对比验证,利用KNN算法对数据分类无要求,训练阶段速度较快的能力应用于该入侵检测模型。最后利用QualNet仿真平台实现支持向量机进行对DoS攻击入侵的检测算法的研究。在仿真平台上对训练集和测试集分别进行以接收包数,发送路由包数,接收路由包数,丢失路由包数作为检测特征仿真。在无线传感器环境下设置四个场景进行仿真,利用检测率和误报率作为模型性能评估标准。将SVM算法和KNN算法应用于本文提出的模型进行入侵检测模型性能对比,仿真结果表明SVM应用于入侵检测系统的设计是可行的,且具有有较高的系统的检测率和较低误报率。