随着互联网的迅速发展，计算机网络在经济和生活的各个领域正在迅速普及，整个社会对网络的依赖程度越来越大，这也使得网络安全问题变的愈发重要。为了预防目前越来越频繁出现的分布式、多目标、多阶段的组合式网络攻击和黑客行为，降低漏报率和缩短检测时间，把先进的机器学习方法引入到IDS中来已成为一种共识。粗糙集作为一种新的处理模糊和不确定性知识的数学工具，提供了一套比较完整的从样本数据中寻找规律的系统方法。因此，将粗糙集理论用于入侵检测领域具有一定的可行性。　　 本文回顾了入侵检测技术的发展史，对目前入侵检测技术及粗糙集理论进行了详细研究，提出了基于粗糙集理论的网络入侵检测模型。首先，将基于断点重要性的算法用于本模型的决策表离散化中。其次，属性约简是租糙集理论的核心内容，求解粗糙集的最小约简已经被证明是NP-hard问题。量子粒子群算法是一种非常有效的全局搜索算法，它能有效的求解NP-hard问题。因此，将二进制量子粒子群算法运用于本模型的属性约简中。与粒子群算法相比，量子粒子群算法能够较好的避免粒子群算法容易陷入局部极值点的不足，但在收敛速度上不够理想。针对这一问题，本文对量子粒子群算法进行了改进，对粒子进化过程中保留了较好的粒子，对较差的粒子进行淘汰，重新生成粒子，从而使整个种群的有效信息得到了更好的利用和保留。另外对适度函数及粒子编码的转换方式也做了改进，实验表明改进后的量子粒子群算法在收敛速度上有了明显的改善。最后，将启发式算法用于本模型的值约简模块，得到“IF-THEN”格式的入侵检测规则。　　 为了验证本文所提出的约简算法在入侵检测方面的检测效率，利用KDDCUP99数据集设计的仿真实验系统对算法进行了测试，结果表明，改进的量子粒子群算法能够得到最小的约简，并且具有较高的检测率。