随着信息技术的日益发展,计算机网络已迅速占领了人们的工作生活和学习,为人们带来了方便与快捷,但是随之而来的各种网络安全问题也日趋严重。入侵检测技术是维护网络安全的一种常用技术和手段。借鉴生物免疫原理解决网络安全问题,尤其是基于人工免疫的入侵检测是入侵检测领域研究的热点。否定选择算法（NSA）是人工免疫系统的基础算法之一,被广泛应用于入侵检测中。针对NSA算法在检测器生成时相互覆盖且检测器集合冗余度高,导致其应用于入侵检测过程中时,存在准确率低、误报率高的问题,本文提出了一种基于抗原密度聚类的否定选择算法（ADC-NSA）并将其应用到入侵检测中。本文的主要工作如下:（1）针对传统否定选择算法未考虑自体与非自体抗原的不均匀分布,导致生成的检测器大量冗余且难以全面覆盖非自体区域,本文提出将非自体抗原通过密度聚类生成一类已知成熟检测器,可检测已知入侵行为。（2）针对检测准确率低、误报率高的问题,本文定义了新的异常点判断准则,将异常点优先作为候选检测器中心,通过计算生成第二类成熟检测器,可检测未知入侵行为。由于入侵检测数据集数据特征过于复杂,本文利用主成分分析法（PCA）对数据进行降维,并对数据进行z-score标准化、数值归一化等预处理。（3）在相同的实验环境下本文对所提出的算法进行了实验验证,使用BCW和KDDCUP99数据集,将正常样本作为自体,其余异常样本混合作为非自体进行实验,选择检测率和误报率作为评价指标,验证本文算法的有效性。为了更好的验证本文算法应用在入侵检测中的实验效果,本算法分别在KDDCUP99和CSE-CIC-IDS2018数据集上进行了仿真实验,将正常数据作为自体,各种不同的攻击类型分别作为非自体,选择准确率和误报率作为评价指标,进行实验验证。分别与多组算法进行对比分析,实验结果表明本算法在这两组实验、三种数据集上,有较低的误报率和较高的准确率和检测率,验证了所提出的改进方法在入侵检测模型的应用中具有较好的检测效果。