随着计算机网络技术的快速发展，入侵检测技术作为一种积极主动的网络安全防护技术，在系统受到侵入之前进行检测和拦截，提供内外部攻击的实时保护，已经成为当前保障网络安全的重要手段。然而，在应用于入侵检测的现有算法中，在不同攻击类型的检测性能上存在着非平衡性，而且当训练数据或有标签数据很少不足以训练较好的分类器时，则要求用户重新收集大量的训练数据，这不仅困难而且成本较大。实际上，我们有大量的现有的或已过时的数据，与他们相关但是不同，其中部分数据被期望重新用于解决新的问题中。迁移学习适用于不同域或多任务学习，将迁移学习的理论应用在现有的算法中，能够起到很好的检测效果。本文主要完成以下内容：（1）在研究了迁移学习理论的基础上，结合迁移学习理论和分布式网络集成算法（DNB）的基本思想，提出了分布式迁移网络学习算法（DTNL），实验表明算法采用DTNL算法对网络入侵中常见的四种异常行为检测时，明显比常规算法在R2L检测率上有了显著的提高，并且其他三种异常行为的检测率也较高。（2）在现有的通用入侵检测框架（Commom Intrusion Detection Framework，CIDF）的基础上，将DTNL算法引入到入侵检测系统中，重点修改了数据预处理、分类器和规则学习等核心模块，并添加了专家判别模块，提出了一种基于迁移学习理论的入侵检测模型框架。DTNL算法能够明显提高对四种攻击类型的检测平衡率。使得系统可以运用在对准确度和误报率要求较高的场合，同时，专家判别模块的添加能够有效地降低系统的误报率。（3）最后使用了入侵检测领域评测的基准数据库KDD CUP’99进行了实验，验证了系统的可行性和有效性。