随着网络技术的飞速发展,网络环境存在着海量数据,所以网络安全问题显得尤为重要。网络环境不安全会导致隐私泄露和资源盗用等诸多问题发生,给人们的工作生活带来许多损失。因此,网络入侵检测成为了一个研究热点。网络入侵检测通过对网络信息进行分析从而发现是否存在违反安全策略的行为和被攻击的迹象。网络入侵数据的特征选择对于网络入侵检测而言是至关重要的一个环节,直接影响着后期检测的效果。网络入侵数据维数高和数据规模大等特点会使其计算成本增加,其中的冗余属性和不相关属性,还会影响检测的效果。针对上述存在的问题,本文针对网络入侵检测技术,提出了两个特征选择算法来提高入侵检测的效率。主要研究内容如下:(1)针对粗糙集的特征选择问题,提出了一个基于信息增益和粗糙集相结合的特征选择算法来降低时间复杂度。该算法先利用信息增益算法删除冗余属性,再使用粗糙集理论求得特征子集,并对多数类和少数类进行特征选择,选出对少数类别影响较大的属性,加入求得的特征子集中,作为最终结果。最后使用随机森林分类器进行分类,进行仿真实验。实验结果表明,基于信息增益和粗糙集相结合的算法不仅能够有效的删除冗余和不相关的属性,降低了计算成本,而且在不影响多数类分类性能的同时也提高了少数类的分类精度和召回率。(2)针对局部线性嵌入的特征选择问题,提出了一种基于差分进化的局部线性嵌入算法应用到特征选择阶段。该算法利用差分进化对局部线性嵌入算法中参数k的取值进行优化。使用优化后的局部线性嵌入算法,对原始数据进行特征选择得到最终的特征子集,再使用分类器进行分类检测。实验结果表明,差分进化的局部线性嵌入的特征选择方法可以在较低的维度下出现最好的结果,降低了分类时的时间复杂度,提高分类的性能。