随着计算机技术的快速发展,智能化已成为一种趋势,虽然其能够为人们的日常生活带来极大的便利,但是智能也就意味着程序化,有可能造成不良后果和不可估量的经济损失,因此如何设计入侵检测系统就显得尤为重要。本文旨在提高入侵检测的整体效率以及对入侵行为的攻击类型进行相关的分类。针对在原始数据集中数据点的高维性,本文研究了机器学习的相关算法,设计了一个基于机器学习的入侵检测的分类模型。入侵检测的关键其实就是分类算法。当前对于机器学习方面的研究日益成熟,并且在入侵检测相关的模型中也越来越成熟,例如支持向量机。这些分类模型通常需要大量高质量的数据进行模型训练才能达到较好的效果。但是在实际的生产环境中,往往会出现样本分布不均匀以及模型检测时间过长等等问题。本文以支持向量机(SVM)算法为基础,并且对数据集处理以及分类算法的优化进行研究,以求获得更好的检测效果。在本文提出的网络入侵检测模型当中,首先将改进后的K-means算法引入到训练数据集筛选当中。在随后的SVM分类器训练过程中,提出了一种基于网格搜索与模拟退火的自动参数寻优的方法。最终构建了一个基于支持向量机(SVM)的入侵检测模型。通过KDD99数据集对相应模型进行试验,所提出的入侵检测模型可以获得更好的性能,并能有效提高整体检测率。与其他入侵检测方法相比,模型在检测网络危害严重的U2R攻击以及R2L攻击时具有更好的表现。同时,该模型还可以减少模型训练和测试的时间,并具有一定的泛化能力。