随着Internet和computer的迅速发展,网络的应用也随之增多,但是系统和网络信息遭到入侵攻击的威胁也越来越严重,再加上当今攻击者的知识日趋成熟、黑客技术水平的不断提高以及攻击者所采用的手段也日趋多样化、复杂化,致使传统的安全技术方法已经无法跟上网络安全需要的步伐,从而使网络信息和系统的安全问题变得越来越严重。入侵检测系统逐渐演变成一种主动的网络安全防卫技术之一,它有效地弥补了传统安全技术的不足。特别是在近几年,IDS (Intrusion-Detection System,简称,IDS)的研究取得了较大的进展。但在网络攻击方式不断更新变化的情况下,传统的通过特征比对检测入侵行为的缺点逐渐暴露出来,尤其是在面对未知攻击形式、攻击类型日趋复杂多变以及网络的结构也不断更新升级时,其既不能自适应以上环境的变化,也不能对其性能进行扩展,而具有自学习、自适应以及联想记忆等性能的人工神经网络(Artificial Neural Network,简称,ANN)可以很好地解决以上问题。近年来, RBF神经网络(Radial Basis Function Neural Network,简称,RBFNN)一直是相关专家学者重点研究的一种人工神经网络,并且它在很多领域,诸如系统辨识、分类、信号处理和函数逼近等方面得到了成功应用。但是在对RBF神经网络进行设计的时候,RBFNN有三个非常重要的参数(权值w,中心c和基宽σ),如果它们的初值选取的不恰当,那么就容易造成RBF神经网络陷入局部最优、收敛慢、精度低等问题,而具有较强的全局优化性能的粒子群优化(Particle Swarm Optimization,简称,PSO)算法可以很好的解决这些问题。为了进一步提高RBF神经网络的性能和入侵检测系统的检测率,本文研究的主要内容如下：1.提出一种多策略改进PSO算法(IPSO),该算法是在PSO算法的基础上,首先采用自适应策略对惯性权重进行调整,解决PSO算法对非线性问题优化能力低这一问题；其次根据群体适应度方差来判断PSO算法是否出现“早熟收敛”现象；最后再引入变异算子,若发生“早熟收敛”则对群体粒子的最优解做极值扰动。并通过仿真实验验证IPSO算法的性能。2.为进一步提高RBFNN学习算法的收敛速度和精度,提出一种基于IPSO的RBF神经网络算法,该算法在用减聚类算法确定RBFNN隐含层节点个数的基础上,把IPSO算法和梯度下降法相结合对RBFNN的参数分别进行全局优化和局部优化。并通过对Hermit多项式进行仿真实验来验证该算法的性能。3.为了提高入侵检测系统的检测率,提出一种基于IPSO的RBF神经网络入侵检测模型。为验证该模型的性能,本文把KDDCUP99数据集作为实验数据,对其进行属性提取、数据变化及规范化处理后,将它们作为RBFNN的输入数据,采用MATLAB对该模型进行仿真实验。实验结果表明,该方法提高了入侵检测系统的检测率,并具有良好的效率和可伸缩性。