随着黑客攻击事件的频繁增加，网络安全的要求迫在眉睫。入侵检测技术是一种多层次多深度的网络防护手段，是目前安全技术研究的热点。获得高的检测率不可置疑是入侵检测系统的任务所在。本文工作的主要内容就在于对基于多分类器的入侵检测系统的分析方法、体系设计等的初步探索。 本文首先对AdaBoost算法作了详细的分析。它是一种有效的分类器组合方法，它用某个分类算法生成一系列的基分类器，每个基分类器的训练依赖于在其之前产生的分类器的分类结果，基分类器在训练集上的错误率用于调整训练样本的概率分布，最终分类器通过单个基分类器的加权投票建立起来。 在此基础上本文设计并实现了一种新的基于AdaBoost的多分类器入侵分析方法。在该方法系统中，首先对特征提取理论中的PCA算法作了深入探讨，并且用该方法对系统所用的数据集进行预处理，将数据从高维向低维做影射，提高系统的识别率与检测的效率。其次对作为该AdaBoost的基分类算法一一BP神经网络作了详细的讨论，并成功地构造出适合于入侵检测的合理的神经网络结构。最后对该入侵检测方法用入侵检测数据集进行测试，取得了很好的效果。与同类方法相比，该方法检测率较高。同时将AdaBoost的测试结果与基分类算法BP的测试结果进行比较，证明AdaBoost方法能够大幅度提高弱分类算法识别率，以及该多分类器系统的理论的可行性。