随着计算机网络技术的飞速发展以及广泛应用,计算机网络安全成了越来越重要的问题。如何能快速、准确、有效地识别己有的攻击和日益增多的新的攻击就是入侵检测系统所面临的迫切问题。自20世纪80年代中期以来,神经网络的理论和应用研究都获得了很大的进展。神经网络强大的学习能力、快速寻找优化解的能力使得神经网络成为解决入侵检测系统面临的问题的一种新途径。事实上基于神经网络的入侵检测技术已经得到了迅猛发展,取得了令人鼓舞的效果。相对于传统的入侵检测技术来说,采用神经网络的入侵检测具有检测速度快、能识别大量新型攻击的优点,但也存在检测准确度有待进一步提高的问题。鉴于此,本文提出了一个新的神经网络集成技术,并应用这个技术构造入侵检测系统的入侵检测器。在这个神经网络集成技术中,本文提出了分类学习个体网络生成技术和基于正交变换的个体神经网络集成技术。在分类学习的个体网络生成过程中,充分考虑入侵数据的组成特点,将学习样本分割至两个样本集中,每次分别从两个样本集中按照不同的选择策略选择部分样本共同组成个体网络的训练样本子集,然后根据这个训练样本子集训练神经网络。从而,在入侵样本学习和正常样本学习间取得平衡,在检测时能较大地提高对R2L、U2R(较少出现、很危险的入侵)两种入侵类型的检测。在基于正交变换的神经网络集成过程中,首先提出集成误差和网络相关度之间的线性关系;然后,根据矩阵相关理论,将集成误差的优化问题转化成求解函数极限问题;最后利用函数极值的性质求解出函数的条件极值,从而实现集成误差的优化。该技术降低了在网络的线性集成过程中诸多可能影响网络集成效果的因素的影响,降低了集成的复杂度,提高了整体检测率。最后将该方法应用于入侵检测系统,构造出一个基于神经网络集成的入侵检测系统,并通过实验表明该系统具有较好的入侵检测能力。