当今的网络安全问题日益突出,入侵检测系统IDS(Intrusion Detection System)已成为必不可少的安全手段。所谓入侵检测就是检测和识别针对计算机系统、信息系统、网络系统的非法攻击和入侵行为,该技术已经在全球范围内被广泛用来保护公司、组织的信息网络。但传统的入侵检测系统仍存在检测速度慢,漏检率高等缺陷。本文首先分析了传统IDS系统结构和检测方法,对神经网络NN(Neural Network)技术及其在IDS中的应用进行了深入的研究。从加快检测速度、提高准确率的角度出发,提出了一种基于神经网络的入侵检测新模型,该模型采用BP(Back Propagation)神经网络进行检测,将模式识别转化为数值计算,从而加快了检测速度,同时结合专家系统辅助检测并为神经网络提供实时的训练集,提高了检测的准确率。同时本文针对BP神经网络在实际应用中存在的问题,对BP算法进行了深入的研究。首先,针对因学习速率选择不当而造成的收敛速度慢和最优解产生振荡的问题,采用了自适应调整学习速率法和附加动量法对算法进行优化;其次,针对每个训练样本都要对网络中所有权值进行调整的问题,提出采用路径激发法忽略极小值影响,提高训练效率。作为这些研究成果的应用,本文在最后利用VC6.0开发语言,通过合理的数据结构和函数接口设计实现了一个基于神经网络入侵检测的原型系统。并在局域网环境下,用大量数据对原型系统进行测试,结果验证了系统的性能和效率。