目前大多数入侵防御系统都存在检测率较低、误报率较高、整体性能较低的问题。针对这些问题，给出了基于多步校正AdaBoost神经网络算法，并将其应用于入侵防御系统中，以提高该系统检测的整体性能。　　 在深入分析入侵防御系统和人工神经网络的相关理论、技术和方法的基础上，基于智能互补的观点，给出了基于多步校正AdaBoost神经网络算法，将该算法应用于入侵防御，建立了一个基于概率神经网络的入侵防御模型。为验证该模型，构建了MATLAB仿真实验平台，采用经过数据预处理的KDD’99数据源，分别对基于多步校正AdaBoost算法的概率神经网络、BP网络和RBF网络进行训练，并将训练好的网络应用到该模型中并进行了入侵检测仿真实验。实验结果表明，基于多步校正的AdaBoost算法提高了概率神经网络的分类能力和模型的检测效率，达到检测率96.54％和误报率1.61％的效果，性能优于其他两种神经网络。　　 将基于多步校正AdaBoost算法的概率神经网络应用于入侵防御系统，能够解决传统入侵防御系统检测率低、误报率高的问题，并有效提高检测的准确率和系统性能。