随着互联网的广泛应用,网络信息安全已经成为计算机网络系统需要解决的重要问题之一。传统的数据加密和防火墙技术已经不能完全满足信息安全的要求,入侵检测系统作为一种积极主动的防御措施,成为近年来网络信息安全领域研究的热点。网络入侵攻击方法具有多样性和复杂性。单一的基于模式匹配或统计分析的入侵检测算法存在较大局限,具有自主学习的智能入侵检测算法日益受到人们的重视。针对现有入侵检测系统存在的误检率高,不能很好地处理网络中存在的不确定性等问题,本文研究具有学习能力的网络入侵检测算法,主要贡献和创新表现为:(1)对评估入侵检测算法性能的数据集KDDCPU99进行了预处理,包括数据集的数值化,归一化。用信息增益的方法对数据集进行特征提取,有效降低了数据集维数。(2)提出了基于余弦相似度的否定选择算法,并用对称交叉熵的模糊相似度量在否定选择算法的检测阶段判断出攻击数据的攻击类型,对该入侵检测算法进行了仿真实验,结果表明该算法具有较高的检测率。(3)针对目前网络中传输的数据存在不确定性,提出了D-S证据理论和广义神经网络相结合的入侵检测算法。该算法运用广义神经网络确定入侵证据的信任分配函数,有效降低了由人为因素带来的主观性,利用改进的证据融合算法对这些信任分配函数进行融合并对融合的结果选取较大的值作为决策结果。仿真实验表明,DS-GRNN检测算法不仅可以确定网络中不确定性,还大大降低了误报率。