随着网络的普及,人们在日常生活和工作环境中对计算机网络越来越依赖,网络的安全性也越来越引起人们的关注。当前网络安全防护技术大多是被动的防御技术。而作为主动且动态的网络安全防御技术——入侵检测技术,是网络安全技术发展的一个新方向,是被动防御技术的必要补充。本文阐述了一种入侵检测的新策略,通过分析现有的入侵检测技术和通用的入侵检测框架,发现基于人工神经网络的入侵检测是一种有效的入侵检测方法。因此在本文中,采用径向基函数(RBF)神经网络技术对入侵行为进行检测,他具有最佳逼近能力、网络结构简单、学习速度快的优点,但RBF神经网络的参数设置是基于参数空间局部信息的,不是全局最优值,这必将降低入侵检测效率。本文分析了具有全局寻优的功能PSO算法,该算法能够改进传统的RBF神经网络学习策略,可以弥补RBF神经网络参数设置的不足。在此基础之上,研究了基于PSO-RBF神经网络的入侵检测系统所需要解决的研究层面的问题,设计了一个原型系统。利用这个原型系统,从层次、模块两个维度分别对他的设计进行了介绍,同时对实现技术进行了讨论,并给出了部分模块的主要实现方法。目前本文已经实现了系统的封闭测试并探讨了如何对系统进行开放测试。实验结果表明,基于PSO-RBF神经网络的入侵检测系统有效的提高了入侵检测的效率。最后,通过对基于PSO-RBF神经网络的入侵检测系统研究、设计与实现的内容总结,本文指出了今后发展和改进的方向。