随着科技进步和计算机网络技术的飞速发展，信息产业及其应用得到了巨大发展。对网络需求的不断增强，网络用户面临着日益严重的安全问题，必须要求一个可信、可靠、安全、稳定的网络平台。网络入侵己经成为计算机安全和网络安全的最大威胁。入侵检测系统是当前网络安全领域的研究热点，在保障网络安全方面起着重要的作用。对于入侵检测作为主动防御的手段，目前的研究主要集中在异常检测方面，它能发现未知入侵。但是缺陷是正常模式的知识库难以建立，难以明确的划分正常和异常模式。鉴于这些难点，采用数据挖掘技术是一个很有效的解决方法。但是数据挖掘技术对于训练数据的要求过高，噪声的影响对于训练结果有所偏差。还有尖锐边界问题。将模糊理论和数据挖掘相结合，可以解决以上问题。本论文对基于模糊C均值聚类算法进行了改进，对隶属度进行修正降低孤立点的影响，利用模糊截集加快收敛，同时对聚类有效性分析来达到全局最优。把基于模糊C均值聚类算法的结果作为模糊关联规则挖掘的数据隶属度，而不需要先验知识确定隶属函数，提高了模糊入侵检测的有效性和自适应性。本论文还提出了一种使用哈希链表改进Apriori模糊关联规则挖掘的新算法，且在挖掘过程中使用了等价类快速查找频繁项集，避免了反复扫描数据库及大量重复计算步骤。从而大大地改善了模糊入侵检测的检测速度和效率。