随着网络的迅速发展，网络安全越来越被人们所关注。作为防火墙有力的补充，入侵检测系统(IDS)已经成为网络安全领域的研究热点。 入侵检测本质上可以看作是一个分类问题，即通过对网络数据的分析，把正常数据和异常数据分开。入侵检测中需要分类的数据非常复杂，常常体现为高维、小样本和线性不可分性，在入侵检测研究中引入支持向量机(SVM)技术，可以提高分类器的正确率和减少训练时间。但是传统的SVM模型认为它使用的数据的每个特征都与该问题应该是几乎完全相关的，如果网络数据包含了与求解问题不完全相关甚至完全无关的特征时，会大大影响SVM的效果。基于这一问题，本文进行了以下几个方面的工作： 1、首先阐述了入侵检测和支持向量机(SVM)的基本理论，设计了基于SVM的入侵检测系统的基本结构，并引入了KDDCUP99数据集做为实验数据进行网络数据分类。 2、为了体现SVM输入特征信息对分类结果的影响程度的不同，对特征加权的SVM进行了研究，根据KDDCUP99数据集的41个特征项的分析，分别使用传统的梯度法和遗传算法对特征项权重进行优化，结果表明优化后可以明显的改善入侵检测的效果。 3、针对传统遗传算法“过早收敛”的缺点，把免疫算法用于SVM特征项权重优化，给出了详细的算法实现，包括算法的编码方式、评价准则的设计等等。并分别与基本SVM、梯度法优化、遗传算法优化进行了比较，验证了这一算法的有效性和正确性。 最后对已完成的工作进行了总结，并对下一步需要进行的工作做了展望。