入侵检测是继“防火墙”、“数据加密”等传统安全防护措施之后又一道安全闸门。入侵检测作为一种积极主动的安全防护技术，提供了对内部攻击、外部攻击和误操作的实时防护，能够在网络系统受到危害之前，及时拦截和响应入侵。随着网络规模的日益庞大、网络环境的日益复杂和网络传输速度日益迅速，入侵检测系统在提高准确度的同时还必须提高处理速度。 贝叶斯分类是数据挖掘方法中一种高效、快速的分类算法，但存在特征属性与类属性的相对独立性问题。为此，本文构建了PCA-BC入侵检测模型，将主成分分析PCA(Principal Component Analysis)和贝叶斯分类BC(BayesianClassification)结合起来，提出一种改进的入侵检测算法PCA-BC。该算法首先利用主成分分析对原始数据进行预处理，增强数据分布的独立性，然后利用贝叶斯分类器学习分类规则。仿真测试结果表明通过算法使特征独立性增强、检测系统的训练时间明显降低、预测精度明显提高。