近年来,互联网作为最重要的基础设施之一,面临着日益严峻的安全性问题。网络入侵行为复杂多变,单靠收集攻击行为模式并添加防御规则的策略远不足以抵御风险,因此人们在网络入侵检测和防御的研究热点逐渐转向了基于启发式意义的算法上。随着机器学习和数据挖掘等技术的兴起,基于网络流量行为特征的入侵检测成为了网络安全领域研究的重要方向。本文基于改进和进一步优化的遗传算法与神经网络算法建立入侵检测模型。重点研究了利用优化遗传算法对神经网络模型的拓扑结构进行启发式搜索和选择的过程。神经网络算法用于挖掘网络连接报文中的有效特征信息,遗传算法用于对神经网络模型进行调优,并对其在数据特征的搜索机制上进行优化。最后对不同版本的遗传算法进行了对比和统计分析。结果显示,优化后的遗传算法与神经网络模型具有高度兼容性,能够在KDD99网络入侵数据集的检测上得到出色的结果。同时,将结果与支持向量机、蚁群算法以及不同版本遗传算法的计算结果进行对比验证,结果表明本文中改进的入侵检测模型在多个数据集的测试上具有较高的准确率和较低的假阳性率与假阴性率。本文的主要研究内容分为以下四个部分。(1)基于遗传算法进行多方面细节优化,构造在参数空间中具有更强搜索能力的交叉子代和变异子代,加入超参数随迭代过程自适应调整的动态设计,提出新适应度函数以兼容神经网络模型的训练效果。(2)基于神经网络算法进行结构规模上的优化,加入神经元节点和节点连接之间的通断控制机制,保证有效节点和连接存活性的同时消除冗余结构,以尽可能小的网络维持对数据集的分类判别能力。(3)在六个不同的基准测试函数上,对包括本文优化算法在内的不同版本遗传算法和神经网络模型进行测试,并在准确率和模型规模等指标上进行横向对比。(4)设计网络入侵检测模型的核心框架,对改进并融合的遗传算法和神经网络模型在KDD99网络入侵数据集上进行测试,并与其它主流启发式算法进行比较。