近年来,随着计算机技术与互联网的快速发展,网络信息量呈爆发式增长。然而,高速发展的信息技术在带给人们便捷的同时,也留下了网络安全难题。伴随着网络容量与网民总数的增长,各种网络入侵事件层出不穷,大有愈演愈烈之势。面对来势汹汹的网络安全问题,人们提出了各种安全技术。这其中,入侵检测技术作为能化被动防守为主动拦截的安全技术,正成为人们研究的热点方向。然而,传统的入侵检测技术主要是基于规则匹配的专家知识系统,需要手工更新匹配模式,代价昂贵而低效。面对新型入侵手段时,显得相当乏力。为克服这种入侵检测技术的弱点,出现了大量基于机器学习的入侵检测技术。机器学习方法可以直接对收集到的海量审计数据进行训练建模,自动生成检测模型,极大改善入侵检测系统的效率。在众多的机器学习方法中,支持向量机以其对小样本,高维度数据良好的分类效率脱颖而出,成为近年来研究的重点。本文将主要研究基于支持向量机的入侵检测。主要工作如下：在详细讨论了支持向量机的理论基础一统计学习理论的基础上,本文首先提出了基于双支持向量机的入侵检测系统,详细分析了系统各个模块并仿真实现了各个模块。特别地,为解决双支持向量机的参数选择问题,提出了针对双支持向量机的参数选择算法。此外,为能够直接处理未标注类别的原始审计数据,还提出了基于单类支持向量机的入侵检测系统。为检验所提出的入侵检测系统的检测性能,采用入侵检测领域广泛使用的KDD’99数据集进行实验,并与最新的研究成果进行对比。最终的实验结果表明,本文所提出的基于双支持向量机的入侵检测系统在所有4大类攻击中均取得了检测率的提升,特别是对样本量少的攻击,提升更为明显,并取得了最高的总检测率。而基于单类支持向量机也能够有效处理无类别的数据集。