科学技术的不断进步，为网络的迅猛发展提供良好的环境，同时网络安全运行成为发展的瓶颈。入侵检测作为保障网络安全的一种有效手段，其性能的完善对网络安全有重要意义。入侵检测实质是分类，在统计学、机器学习、神经网络以及专家系统中，数据分类已经被深入研究广泛应用。支持向量机（Support Vector Machine, SVM）是由Vapnik在1992年提出的一种机器学习方法。SVM是建立在VC维理论和最小化结构化风险基础上的一种新的数据分类方法，在处理高维数据、非线性数据方面表现出了良好的分类特性，因此，受到了普遍的关注并且成为机器学习中分类算法的典型代表。高维度和多属性是数据的自然属性，同时对分类器的速度和精度有很大的影响。为了提高支持向量机的分类性能和泛化能力，本文主要研究了基于粗糙集和遗传算法改进的支持向量机，结合标准数据库kdd99中的分类数据集进行了理论分析与实验研究，鉴于粗糙集和遗传算法的优势，设计了基于粗糙集和遗传算法的支持向量机的分类模型，对分类的性能进行了分析研究，取得了很好的分类效果。本文的主要工作与成果有以下几个方面：首先，分析了当前网络入侵检测所采用的相关技术，重点对支持向量机的分类技术的发展形势进行了阐述。经过分析，支持向量机分类时，对训练数据存在的高维性和多属性问题处理方法，多数情况未考虑或考虑欠佳，对分类性能造成一定影响，尤其是在分类时间和分类精度上。然后，介绍了粗糙集和遗传算法的相关理论基础知识。根据粗糙集和遗传算法的特点，发现粗糙集在降维方面体现了极大的优势；而遗传算法则在处理多属性问题上效果较佳。在此基础上提出了基于粗糙集和遗传算法改进的支持向量机分类方法。其次，研究了基于粗糙集和遗传算法改进的支持向量机的方法。首先用粗糙集进行降维，从而去除无效的数据加快训练速度；接着用遗传算法进行属性约简，达到去除无关属性的效果，也加快了训练速度，同时分类精度也得到了提高，因此分类的性能得到极大的提高。最后，将此算法应用在标准kdd99的部分数据集中，实验分析说明该算法对网络入侵在检测速度和精度上有提高。