数据融合方法对于提升入侵检测模型的性能具有至关重要的作用，是当前网络安全领域中研究的热点之一。本文对数据融合方法进行了研究，提出了一种基于粗糙集和支持向量机的理论为基础的入侵检测模型。本文的主要工作如下：（1）研究了粗糙集的基本理论，分析了当前的正域扩展方法，指出了其中的不足，给出了相应的改进方法，使其能够得到更加符合认知世界的扩展结果。随后，给出了基于改进后的正域扩展的属性约简算法。（2）研究了支持向量机的理论和方法，采用支持向量机作为分类器来设计入侵检测模型。（3）为了提高分类器处理数据的性能，包括分类的准确率以及在分类时间上的花销，在对数据样本进行分类前，应对样本进行预处理。在保留样本有用信息的同时，删除重复、冗余以及不重要的属性。本文提出粗糙集与支持向量机相结合的入侵检测模型。采用粗糙集理论中的属性约简的算法对数据进行相关的处理，提高支持向量机处理数据的质量；用支持向量机对输入的数据进行融合、分类，最后给出决策结果。（4）实验验证了改进的属性正域扩展方法的有效性，表明了采用粗糙集和支持向量机相结合的入侵检测模型与采用单一的支持向量机进行入侵检测相比，在检测正确率相当的前提下，时间性能上有所提高。