计算机网络和信息技术的快速发展,使人们日常生活及工作环境与计算机网络和信息系统的关系越来越密切,对网络安全的要求也越来越高。当前网络安全防护技术有访问控制、数据加密、防病毒、防火墙、入侵检测技术等。主动地对网络进行安全防护的入侵检测系统成为网络安全技术发展的一个新方向,是传统网络安全技术的必要补充。入侵检测的方法有很多,但检测率低、误报率高是目前入侵检测系统普遍存在的问题,而攻击方式的不断更新对入侵检测系统的灵活性、智能性提出了更高的要求。神经网络具有并行计算、自适应学习、自组织、抗干扰能力强,可以处理不完整有失真的数据等特性。使其在入侵检测领域得以应用,适应了入侵检测发展的需要。BP神经网络在入侵检测领域中已经得到广泛应用。但是BP算法本身具有训练时间长且易收敛到局部最小的缺点。目前对BP算法改进的研究应用很多,产生了许多优秀的BP改进算法。但改进的BP算法在入侵检测领域中应用的研究目前还较少。本文分析了当前的入侵检测系统及神经网络技术;分析和比较了BP算法和两种改进的BP算法;基于网络入侵检测类型的需要对三种算法建立了4层的神经网络模型,把该模型应用到入侵检测中。在参照国际入侵检测标准化组织(CIDF)提出的通用入侵检测框架的基础上,设计了一个基于BP神经网络的入侵检测模型。该模型能从网络上捕获数据包经过预处理后提取18个属性特征作为神经网络的输入数据,训练和测试神经网络后从中抽取出规则,建立规则库,检测分析是基于规则匹配的结果作出响应。因此,该检测模型可用于滥用检测。对检测模型输入一定比列的正常数据和异常数据,从试验检测结果分析来看,两种改进的BP算法在网络入侵检测模型中运用后均有较好的表现,提高了入侵检测的准确性和检测模型的整体性能,在一定程度上解决了入侵检测系统中误报率和漏报率较高的根本性问题。最后基于本研究的不足,指出了下一步的研究方向。