随着网络和其它信息技术的广泛应用，网络系统的安全变得至关重要。入侵检测是目前保护网络系统安全的关键技术和重要手段，成为了网络安全体系结构的重要课题之一。现行的入侵检测技术在检测新的攻击或未知特征的入侵方面能力较弱，而且检测的准确性与实时性达不到实际应用的需求；另外，在网络数据流量如此之多的情况下，传统的入侵检测就更难达到要求。将数据挖掘技术用于入侵检测可以有效地检测已知入侵以及未知攻击模式，因此，研究数据挖掘的算法对于提高入侵检测的准确性和时效性具有重要的意义。本文以入侵检测模型的建立和数据挖掘算法在入侵检测方面的应用作为研究的主线。首先，研究和分析了入侵检测和数据挖掘的理论基础及相关的技术内容。然后着重的研究了关联规则分析的FP-Growth算法，为了进一步降低传统FP-Growth算法的时间复杂度，针对传统的FP-Growth算法而提出了合并式FP-Growth算法，并根据两种算法设计了实验测试程序，以便对两种算法进行比较验证。接着构建了基于数据挖掘的网络入侵检测模型框架，分别设计了该模型框架中各功能模块的结构图，同时详细阐述了数据采集和数据预处理模块、数据分析模块以及前台管理模块的具体功能，对于该模型的核心模块，即数据分析模块，采用合并式FP-Growth算法进行挖掘数据。最后本文探讨了该模型框架中一些功能模块的实现情况以及模型实现后所需要的性能评估指标。