随着网络的发展,网络与计算机越来越广泛地应用于现今社会。电子银行、电子商务等网络服务正在悄悄地进入人们的生活。随之而来的各种网络攻击在不断地增加,人们也渐渐地认识到了保证网络安全的重要性。入侵检测系统正是一种积极主动的网络安全防护技术,它可以监视主机系统或网络用户的活动,发现可能存在的入侵行为。入侵检测系统的研究和实现已经成为现在网络安全的重要课题。为克服现有入侵检测存在的不足,本文从特征提取、改进的RBF神经网络入侵检测模型、算法优化等方面进行了系统研究。本文首先对入侵检测技术的概念、入侵检测的分类和神经网络等方面作了一个简要的介绍,并分析了RBF神经网络在入侵检测使用中存在的问题。基于上述研究,本文在对网络检测数据进行基于性能的特征选择后,提出了一个改进的RBF神经网的入侵检测模型。将基于熵的模糊聚类(Entropy-based fuzzy clustering:EFC)和RBF神经网络相结合,提出了基于EFC的改进RBF神经网络算法,该算法克服了传统聚类方法在确定RBF神经网络隐层中心时无法给出一个合适个数的问题,并将该方法应用于入侵检测研究。最后对改进的RBF神经网络入侵检测模型的核心组成部分进行了设计、分析和实现,并最终取得了较好的实验结果。