随着计算机网络和信息技术的不断发展，人们对互联网的使用越来越频繁，这也使得网络安全问题变得越发重要。入侵检测系统作为保护网络系统安全的关键技术和重要手段，已经成为当前网络安全方面研究的热点和重要方向。然而传统的入侵检测系统在有效性、适应性和可扩展性方面存在一定的不足。因此，粗糙集、神经网络等理论被引入到入侵检测领域，来提高入侵检测的性能。　　 本文主要研究了提高入侵检测能力的有效方法。首先介绍了一下粗糙集理论和属性约简在减少检测数据冗余性方面的重要作用，接着针对经典粗糙集理论无法直接处理数值型数据的缺点提出了一种基于邻域粗糙集的网络入侵检测算法。该算法由于加入了邻域关系的判断过程，从而避免了数据预处理时的离散化处理，减少了信息损失。然后在基本的邻域粗糙集约简算法的基础上，利用正域与属性集的单调关系，提出了一种改进的前向搜索属性约简快速算法，降低样本比较次数，提高了计算效率。接着，本文简要介绍了概率神经网络理论，并结合邻域粗糙集和概率神经网络各自的优点，提出了一种基于邻域粗糙集-概率神经网络的入侵检测模型。在该模型中作者将邻域粗糙集作为前置处理系统对属性进行约简，通过前向搜索属性约简快速算法，得到可以区分入侵行为和正常行为的最少属性组合，并由此建立专家系统的攻击特征库来检测已知的入侵行为。再根据最少属性数来构建概率神经网络，对样本集进行训练并并对检测数据进行判断。对于专家系统不确定的分类或未知的攻击类型，可以通过神经网络进行分类识别，并相应的更新数据库。本文对邻域粗糙集-概率神经网络模型的各个模块功能进行了详细的分析、设计，最后通过仿真实验验证了模型的有效性。