张铃教授和张钹院士在深入剖析了人工神经网络的机理后,提出构造性学习理论和方法,获得了成功。构造性机器学习方法是利用球形映射将神经元变换成对有限空间划分的分类器,正是这种将无限空间转变成有限空间的方法,将神经网络长期未解决的学习问题转换成覆盖问题进行求解,同时大大降低了问题描述的复杂性。随着计算机和网络技术的快速发展,计算机系统已经发展成为一个复杂、开放的网络系统,但是它在给人们带来便捷的同时,针对计算机主机和网络系统的入侵也带来了许多负面的影响,由此产生了以入侵检测的主动保护技术。本文提出了将覆盖算法和佳点集理论相结合的佳点集覆盖算法,在UCI数据集上验证了其有效性。还将其引入到入侵检测,选取不同粒度下的样本集,结合集成学习理论提出了基于佳点集覆盖算法集成的入侵检测方法,为入侵检测建立了一套新的检测方法。本文的主要工作包括：1.介绍了覆盖算法和入侵检测的研究背景和意义。主要简述了分类算法的几种经典算法以及M-P神经元的几何意义,接着介绍了构造性学习方法——覆盖算法和覆盖算法几种改进算法,总结了集成分类器的研究意义以及相对于单分类器的优点,和它目前的主要算法,并根据本文算法的特点,指出使用Bagging集成方法能更优化整体算法。2.介绍了佳点集理论和它在获取权值时的优越性。由于覆盖算法是一种构造性机器学习方法,它的核心思想就是找到神经元的权值和阈值,权值指的是覆盖领域的中心,而阈值则是覆盖领域的半径。在构造新的神经元的权值时,即选取样本作为新覆盖的圆心时,通常采用的是：在某个范围随机取值或者人为地规定选取顺序,这样并未体现样本的分布特点；佳点集理论可以克服随机选取样本中心的缺点,可以获取较优的覆盖顺序,实现很好的实验结果。3.提出了基于佳点集覆盖算法的入侵检测模型和基于佳点集覆盖算法集成的入侵检测模型。在样本的构造过程中,考虑到样本特征维数较高,故选取单个最优特征组合方法进行特征选择的方法,对样本进行降维,并根据不同的粒度选取了几组特征子集,在此基础上建立了基于佳点集覆盖算法的入侵检测模型；由于集成学习过程中,多个单分类器从不同角度对样本进行分类识别,模拟了人类从不同的侧面去观察事情的方法,对于解决特征属性很多的问题很实用,为了进一步提高算法的精度,故而引入集成学习方法,提出了基于佳点集覆盖集成的入侵检测方法,进一步提高了检测率。