分类，顾名思义是将无规律的事物分为有规律，它是当今信息处理、数据挖掘和知识发现等诸多领域中的一项重要任务。随着信息技术的迅猛发展以及信息量呈指数形式增长，常用的分类方法凸显出不足，而智能分类法得到广泛应用和重视，特别是计算智能分类方法的研究具有重要的理论意义和应用价值。入侵检测是对入侵行为的检测，主要区分正常网络行为和异常入侵行为及其类型，在实际检测中是一个多分类问题，而采用计算智能分类法无疑能够大大提高入侵检测的效果。为此，本论文针对计算智能分类方法及其在入侵检测中的应用进行研究，其主要工作或创新如下：（1）为了解决粒子群（PSO）算法存在过早收敛、陷入局部极小等问题，研究了基于云模型的粒子群（CPSO）算法，主要采用云模型动态确定惯性权重，可以取得较快的优化速度且能避免陷入局部极小，经经典优化函数测试，结果表明CPSO算法优于PSO算法和蚁群（ACO）算法。进而研究了基于CPSO的神经网络分类方法，可以克服神经网络分类精度较低的缺点。仿真实验表明其分类方法在分类精度上得到较大提高。（2）基于统计学习理论的支持向量机（SVM）在分类上具有独特的优势，为了解决支持向量机（SVM）模型中惩罚参数和核参数凭经验选取或试验法的选取问题，运用云模型能提高优化策略、加快收敛速度等优点，研究基于云PSO的SVM分类方法（CPSO-SVM），即采用云PSO算法优化SVM模型及其参数。实验表明CPSO-SVM分类方法在入侵检测中，其检测精度高于经典SVM和基于PSO的SVM方法（PSO-SVM）。（3）基于稀疏贝叶斯框架下的相关向量机（RVM）具有计算量少、分类精度高等优点，但也存在模型参数的优化问题。为此，研究了基于云PSO的RVM分类方法（CPSO-RVM），即采用云PSO算法优化RVM模型及其核函数宽度参数。通过典型实验和KDDCup99数据库入侵检测资料的多分类问题的实际检测，结果表明：与PSO-RVM、PSO-SVM和CPSO-SVM等多种分类方法相比，CPSO-RVM分类方法的检测精度最高，大大降低了误报率。这为CPSO-RVM的广泛应用提供了科学依据。