在大数据时代,网络技术在军事、医疗、经济、交通、物联网和工业控制等领域的应用十分广泛,互联网的辅助设备也十分普遍。这些辅助设备为人们带来了无限的便利,但同时也导致了大量的信息安全问题。攻击者们使用多样且复杂的手段对网络发出入侵行为,这让入侵检测系统（Intrusion Detection System,IDS）在检测性能上面临着巨大的挑战。尽管入侵检测系统在面临恶意攻击时能够快速察觉异常并发出响应,但仍需克服入侵检测数据量大、数据类别失衡、已知攻击类型有限且与网络实时攻击存在差异等问题。针对上述问题,本文提出了三种网络入侵检测模型来降低计算复杂度、提升检测率,主要研究内容如下:（1）提出了一种基于PSO-GWO混合优化支持向量机的网络入侵检测模型。该模型将粒子群优化算法和灰狼优化算法相结合,用于优化支持向量机,并选用自编码器对数据集进行特征选择,根据所选的最优特征子集训练优化后的支持向量机。实验结果表明,该模型在检测已知攻击类型方面具有较好的性能,具有较高的准确率和较低的误报率。（2）提出了一种基于Fed Prox的联邦深度学习网络入侵检测模型。该模型首先基于联邦学习框架将原始数据集划分成若干本地数据集,每个设备对应一个本地数据集,再进行局部模型训练。在局部训练过程中,采用动态迭代方法来决定迭代何时结束,并采用加入近端项的方法对局部模型和全局模型间的差异进行判断,最后将训练所得的局部模型传至中央服务器进行聚合,得到最终的入侵检测模型。实验结果表明,该模型不仅在检测性能上具有很好的效果,还提高了模型的收敛速度,降低了计算复杂度。（3）提出了一种基于Non-IID数据的分段式联邦学习网络入侵检测模型。该模型首先将经过预处理的数据集按标签进行排序分区,其次选择数据分区,将数据集划分为若干个非独立同分布的数据子集,且与设备逐一对应,然后进行局部模型的训练。在局部训练的过程中,设置定期评估来验证模型的性能,并根据阈值选择符合全局模型的局部模型。最后将所选的局部模型上传至中央服务器进行聚合,得到最优的入侵检测模型。实验结果表明,该模型在应对网络实时数据方面具有很好的检测结果。