随着计算机和网络的日益普及，有关系统或网络的安全问题也日益突出。入侵检测系统是对传统计算机安全机制的一种补充，增大了对系统与网络安全的保护范围。支持向量机(SVM)是一种基于统计学习理论的机器学习算法。与传统统计学研究样本产生的规律或样本数目趋于无穷大时的渐进性能不同，它更注重研究样本本身提供的信息，所以特别适合小样本问题。近邻法(Nearest Neighbour简称NN)是模式识别非参数法中最重要的方法之一。论文针对网络入侵检测数据的特点，在支持向量机和近邻法的基础上引入了可信度和可靠性评估参数，提出了一种近邻可信向量机分类算法(Nearest Neighbour Confidence SVM)，把该算法应用于网络入侵检测中。算法通过提高支持向量机对处于分类面附近的样本的分类准确率来提高整个分类算法的准确率，并通过减少近邻法中代表点组的个数来提高分类速度，引入的两个评估参数对网络入侵检测系统的响应部分具有重要的指导作用。应用Java语言和WEKA3．5平台编写实验程序，使用DARPA网络数据包集对算法进行训练和测试。与未改进过的支持向量机算法相比，实验结果表明近邻可信向量机算法在检测的准确率和效率方面都有不同程度的提升。