随着计算机网络技术的飞速发展,信息产业及其应用得到了巨大发展。政府、金融、电信等企事业单位及个人用户对网络的依赖程度越来越高,同时也由此带来了信息安全的隐患。网络“黑客”的攻击手段越来越先进,信息安全问题也越来越突出。使用被动型反攻击的防火墙技术己不足以抵御恶意的入侵,开展入侵检测技术的研究和应用,是解决信息安全问题的方案重要手段之一。目前网络安全技术主要有加密技术、身份鉴别技术、访问控制技术和防火墙技术等,但它们自身均存在缺陷和不足。入侵检测技术的发展,从某种程度上可以弥补目前网路安全技术的一些不足,比如,入侵检测系统具有主动性就是一方面。它对计算机和网络资源上的恶意使用行为进行识别,并为对抗入侵提供重要信息,它不仅检测来自外部的入侵行为,同时也监督内部用户的未授权活动。本文概述了目前网络信息安全与入侵检测技术的发展现状,并针对网络中常用攻击手段和方法,及入侵检测系统的高漏报率和低检测率等问题,提出一种基于自组织神经网络的入侵检测模型,并采用KDDCUP’99标准数据集作为数据源进行特征提取,将通过数值编码后的数据特征作为输入神经元以供自组织神经网络进行训练。在此基础之上,本文针对自组织神经网络自身在其权值调整过程中存在的不足,通过灰色原理中的灰色关系系数来改进自组织神经网络的这一缺陷,加快了整个权值调整的收敛速度,提高了自组织神经网络的训练速度和分类精度,并最终实现了灰色自组织神经网络算法与入侵检测技术的有机结合。通过算法改进前后对DOS类攻击的检测,实验结果表明基于灰色原理的自组织神经网络算法不仅能够加速整个训练和检测过程,而且能够有效地提高入侵检测系统的检测率。