随着网络技术和网络应用的不断发展，网络安全问题已经成为日常关注的焦点。如今传统的网络安全手段很难对付各种各样的网络攻击，入侵检测系统作为网络安全体系的重要组成部分，有效地弥补了传统安全防护技术的缺陷。由于生物免疫系统具有分布性、健壮性、自适应性、多样性和鲁棒性等良好特点，而这些特点正是当前入侵检测领域中所期望得到的，因此很自然地将人工免疫原理用于网络入侵检测系统中。近年来基于生物免疫原理的入侵检测系统的研究已经成为网络安全问题的研究热点。 基于免疫原理的入侵检测系统研究虽然得到了一定的发展，但是现有的检测器生成算法相当耗时。基于免疫系统的混沌特性，把混沌理论引入到否定选择算法中，很好地解决了这一难题。混沌否定选择算法不但有效地提高了检测器集的生成速度，而且更好地保持了种群多样性。 由于混沌否定选择算法中的Logistic映射的折叠次数是有限的，而且其相空间结构过于简单存在安全隐患。为了克服这些缺点，本文采用混沌自映射产生混沌序列。自映射具有更好的混沌特性，从而能更好地覆盖检测空间，有效地提高了系统的检测率。为了利用已有的混沌序列生成混沌二值序列，本文给出了一种非线性化的离散化转换方法，在离散化的过程中引入步长因子，能有效地提高算法的安全性。 混沌否定选择算法中将检测器集合中的个体按其适应度进行排序，选择适应度较小的个体进行混沌扰动，然而检测器集合中的检测器成千上万，这种方法效率低下，本文提出了混沌搜索算法。该算法在搜索进程中不断缩小优化变量的搜索空间，并不断提高搜索精度，从而有较高的搜索效率。 最后使用改进的算法建立一个入侵检测系统，使用Mackey-Glass数据集和Darpa1999离线数据集作为入侵检测系统的测试数据，并利用ROC曲线来对比算法的性能。试验结果表明，在误报率允许的范围内，改进的算法有效地提高了系统的检测率。