如何从网络数据中准确地检测出存在潜在危害的入侵行为，构建高检测率的入侵检测系统是目前网络安全领域研究的热点，然而，网络入侵数据集中入侵行为类别较多、不同类别的样本数量相差甚远，同时，网络入侵数据集还存在特征维度高、冗余数据多的问题。本文针对如何提高入侵检测系统的性能作了如下研究。
　　首先，针对网络入侵数据集离群值众多、样本分布不均衡的特性，提出基于孤立森林的iForest_DS优化数据采样方法，该方法采用孤立森林算法对数据中影响模型性能的离群值进行检测并删除；为了得到最优的采样比例，采用遗传算法和随机森林算法结合的方法对采样比例进行优化，构建了有效的数据采样模型。
　　其次，针对网络入侵数据集维度高、冗余数据多的问题，提出基于互信息的过滤式方法和封装式方法相结合的MI_GARF_FS特征选择方法。该方法使用互信息对特征进行评估排序，选出前若干个特征作为特征子集，在此基础上，使用基于遗传算法和随机森林算法的封装式方法选择出每种网络行为的最优特征子集。
　　再次，由于不同网络入侵行为有不同的特性，为了更高效地检测出每种网络入侵行为，提出采用基于随机森林算法的RFEn_IDS集成入侵检测模型，该模型由基模型基于投票策略集成，每个基模型在利用本文提出的数据采样和特征选择算法优化的基础上，使用随机森林算法构建的分类器对入侵行为进行分类和检测。
　　最后，在基准数据集UNSW_NB15和NSL_KDD上分别进行了数据采样、特征选择以及最终的集成入侵检测模型实验，并与其它基于机器学习算法的入侵检测模型的检测效果进行了对比分析。