随着互联网的日益普及和发展,其丰富的信息资源给人们的生活带来了极大的便利,但同时也带来了网络安全问题。虽然传统的防火墙、加密等信息安全技术有一定的防御作用,但都属于静态安全技术范畴,需要人工来实施和维护。而入侵检测作为一种积极主动的动态安全技术,提供了对内部攻击、外部攻击和误操作的实时保护,已成为信息安全领域的研究热点。由于入侵技术迅猛发展,传统的入侵检测技术已不能完全满足当前网络安全的需要,因此,将神经网络、遗传算法、模糊技术等智能化技术融入入侵检测系统势在必行。本文从介绍入侵检测相关概念入手,通过对入侵检测系统经典模型和主要检测技术的分析,发现了当前入侵检测系统中存在的如漏报率过高等诸多问题。通过对神经网络理论知识的研究表明,将神经网络应用于入侵检测可以充分发挥其自学习、分布存储等优势,研究与设计基于神经网络的入侵检测系统,将具有重要的理论与实际意义。同时,针对传统BP算法收敛速度慢、学习过程易发生振荡等缺点,提出了多种改进方案。针对网络数据普遍维数较高的特点,还引入了主成分分析技术,在将数据送入神经网络处理前先对其进行降维处理,从而简化神经网络规模,降低神经网络的运算量。在此基础上,本文设计了一个包含五个模块的完整的入侵检测系统模型,阐述了该模型的设计思想、模型原理图,并对各个模块的功能和实现进行了详细的设计。最后利用KDD-99数据集构造了大量训练、测试样本,对网络流量进行模拟,完成了系统的仿真研究。通过MALTAB下的实验结果表明:(1)对BP算法进行改进后,收敛速度明显加快,系统实时性增强。(2)各种改进算法的漏报率均较低,对常见攻击的识别率普遍达90%以上,说明结合主成分分析技术的改进BP神经网络在入侵检测方面具有很大的优势。(3)各种算法对每种攻击的识别效果存在明显差异,由此提出的在各种算法间“寻优”的思想为后续研究开辟了道路。