目前,常用的网络安全技术有防火墙、访问控制、VPN和数据加密等,它们都属于被动式的防御技术,都立足于防护,而入侵检测是一种动态的安全保护技术,可以解决被动式的防御技术不能解决的问题,是当前网络安全领域的研究热点。但是传统的入侵检测技术存在检测效率不高的问题,从而制约了入侵检测技术在实际应用中的效果。本文重点研究了入侵检测方法,将神经网络和数据挖掘学科中的一些智能算法应用于入侵检测中,并且对相应算法进行了改进,提高入侵检测的准确性、可靠性、实时性,设计出检测效果较好的智能化的入侵检测系统。本文首先介绍了入侵检测的研究背景和发展历程,以及入侵检测系统的概念、原理,并且对不同的入侵检测方法进行了比较,指出了它们各自的优缺点。然后,针对现有的网络入侵检测技术存在的问题,提出将人工神经网络技术和数据挖掘技术用于网络入侵检测,设计了基于神经网络和数据挖掘的入侵检测系统模型,前者采用BP算法构建神经网络,通过对神经网络进行训练来确定神经网络结构,从而能够更好地对攻击进行检测;后者以数据挖掘中的决策树算法为基础,将C4.5算法进行了改进,通过改进的决策树算法建立一棵反映入侵攻击特征的决策树,然后抽取其中的入侵识别规则对网络入侵进行检测。最后,实现了将神经网络和数据挖掘相结合的智能化入侵检测分类器。本文采用入侵检测领域的权威评估数据——DARPA’98数据对所设计实现的入侵检测分类器进行了评估,测试结果表明,所设计实现的智能化入侵检测分类器对常见入侵的检测效果比较理想。