随着当今计算机网络的迅速发展和规模的日益增大，计算机网络对人们的生活的影响也日益的增加，网络入侵的安全问题也变得更加重要。网络知识的普及和发展，也使得网络入侵者不断增多，攻击方式也一直在更新，单一的防火墙为主的被动防御已经无法保证系统的安全。入侵检测技术是一种主动防御的技术，可以从网络系统中提取关键信息，并迅速的对内部或外部的网络入侵做出判断和保护。入侵检测技术也同时可以和其他的网络安全产品相结合，提供有效的网络安全维护，从而成为网络安全的重要保障。然而传统的入侵检测系统对网络入侵的防御的差错率都会比较高，占用资源高，其中有些不能及时防御一些突发的入侵事件，有些不能识别未知的和变化的网络攻击行为，所以在入侵检测的有效性、灵活性和响应能力等方面都有一定的局限性。基于神经网络的入侵检测系统有一定的学习和自适应的能力，神经网络可以不断的学习更新，对网络中的数据信息进行分类处理，从大量的数据中提取重要的特征值，对网络数据的这些特征值进行更准确的分析，来识别入侵信息。本文在研究入侵检测方法的基础上，分析了入侵检测技术发展的历史和现状，总结了入侵检测系统的概述和体系结构，将神经网络的入侵检测分成数据捕获、数据分析、预处理、入侵行为的检测和测试的几个重要的组成部分。在入侵检测技术上提出并主要采用了具有反向传播能力的BP神经网络技术，对网络节点获取的信息进行处理。通过数据捕获模块从网络中捕获数据包，将数据包进行协议分析和预处理，此时传出的数据为神经网络可识别的数据类型，再通过大量的正常数据训练，使神经网络的权值稳定，可以有效地对已知的或未知的网络入侵行为进行评估。BP神经网络一般具有多层的神经网络节点，每一层的节点与相邻的节点连接。在训练的过程中，在对神经网络的正向反向两次传播后，对BP神经网络中的权值和阀值进行逐次修正，使网络中的各个神经元能够在训练后更准确的识别出网络数据的安全性，从而减少了入侵检测系统的误报率。最后，对实验的方法和数据进行整体的测试，达到预期目的。