随着通信技术和计算机技术的飞速发展，计算机网络已逐渐成为21世纪全球最重要的基础设施，随着社会信息化的步伐不断加快，由网络入侵所造成的损失以及和计算机有关的犯罪也急剧增加，因此，网络安全问题越来越成为关注的焦点。入侵检测系统(IDS)就是从计算机或者计算机网络中抽取数据信息，用来检测来自于系统外部的入侵以及系统内部误用的。　　 入侵检测的基本原则就是把异常的数据从正常数据中提取出来，进而识别入侵。来自于审计记录、网络数据包及其他可视行为构成检测的基础，从中提取特征并用变量表示，若在特征集合中存在大量冗余或不相关的特征，不但会使检测精度下降，而且会增加学习算法的搜索空间，导致算法的检测效率降低。特征选择是根据给定的准则从一组特征中挑选出一些有效的特征以降低特征空间的维数，误用的、冗余的以及最少使用的特征将被从特征集合中删除。但是常用的特征选择方法均是根据单个特征在入侵检测中的重要性进行特征选择，对各特征之间的关系欠缺充分的考虑，并且往往忽视检测精度与算法复杂性的平衡问题。　　 本文深入研究了多目标进化算法作为特征选择算法的有效性，针对现有入侵检测算法中存在的对不同类型的攻击检测的不均衡性以及冗余特征和无用特征所导致的检测模型复杂度提高和检测精度下降的问题，提出一种基于多目标进化算法和支持向量机(SVM)的特征选择算法，把入侵检测的特征选择问题作为多目标优化问题处理。这种方法能够实现检测精度和检测算法复杂度的均衡优化，同时提高了算法效率和检测精度。　　 在此基础上引入选择性集成算法，对经过特征选择所得到的最优特征子集中的最优解进行选择，运用所选择的最优解训练多个检测器，并以一定的方式集成起来，对网络数据包进行检测，以此提高入侵检测系统的检测性能和泛化能力。通过实验证明，这种算法在保证较高检测精度的同时，对不同类型攻击的检测也具有很好的均衡性。