随着现代网络信息技术的发展，计算机网络给人们的工作、学习带来很多益处，随之也产生了一些网络安全问题。近年来，网络安全事件频发，网络信息技术受到严重威胁，然而传统的网络安全技术的防御功能大都是被动的，难以抵挡技术多变的网络进攻，具备主动防御功能的入侵检测系统（ Intrusion Detection Systems，IDS）是目前网络安全研究的一个新方向。　　传统的入侵检测系统存在检测率低、检测方法单一等问题，很难在实际应用中满足人们的需求。因此在这种背景下，对入侵检测系统展开了研究，旨在改善系统检测性能，这对于防护网络安全都有积极的意义。　　首先，本文依据当前入侵检测的研究方向，引入具备自学习、联想记忆等功能的神经网络与入侵检测系统结合。由于本文主要围绕如何提高入侵检测系统的检测率展开，因此选取模式分类效果明显的BP（Back Propagation，BP）网络算法。　　其次，分析了BP算法存在的缺陷，即收敛速度缓慢、易限于局部极值，这会制约算法的检测效果。为此，选择全局寻优能力较好、参数较少的粒子群优化算法（Particle Swarm Optimization，PSO）解决上述问题。为了更加增强PSO算法的全局寻优能力，文章提出一个新的算法——IPSO（Improved PSO，改进的粒子群）算法，该算法主要是将标准粒子群算法（Adaptive PSO，APSO）中的线性惯性权重改为非线性，从而使算法的收敛速度加快，同时改进速度公式，让粒子始终向着最优解的方向移动。将IPSO算法与BP算法融合，实现对BP算法权值和阈值的优化，通过对比实验表明，IPSO-BP算法的模式分类效果较好。　　最后，为了检验各算法应用于IDS中的测试性能，利用KDD CUP99数据集中的部分数据及一些网络数据作为实验数据。首先确定了本次实验的隐含层节点数，并针对KDD CUP99中的四种攻击类型做检测实验，分析对比实验结果，得出IPSO-BP算法的训练速度快，而且对每种异常类型的检测率和误报率都要优于BP算法和APSO-BP算法，从而证明基于IPSO-BP算法的入侵检测系统有效地提高了入侵检测效率。所以，将IPSO-BP算法应用于IDS中有一定的应用价值。