随着计算机技术与网络通信以及信息产业的高速发展,网络入侵攻击的事件频繁发生,因此计算机网络安全形势也日益严峻,所以需要采取各种网络安全技术来解决问题。而入侵检测技术是网络安全的主要手段之一,它是一种主动防御的安全技术,它能实时地保护内、外网攻击和误操作,使得网络系统受到破坏之前能够及时得到响应和处理。但是传统的入侵检测技术又存在着许多不足的问题：第一、误／漏报率高,性能低；第二、实时检测攻击行为较差,且难以适应海量网络数据包。因此研究网络入侵检测是当今的研究热门,也符合我国的基本国情。本文首先介绍了入侵检测系统和BP(Back Propagation,反向传播、)神经网络,研究了当前常用的网络攻击方法和入侵检测技术的分类；接着分析了入侵检测系统的模型和工作过程,BP神经网络算法的学习过程；然后分析了传统入侵检测系统存在的检测性能、检测效果的不足：检测率低,误报率高。为使得入侵检测技术能够具备实时性、自主学习性、低误／漏报率等性能,在对现存的PSO(Particle Swarm Optimization,粒子群优化)算法进行分析的基础上,得出PSO算法规则简单,收敛速度快,且有很多措施可以避免陷入局部最优,同时指出了PSO算法的局限性,提出了一种带变异算子的PSO算法：MPSO算法,改进后的算法即平衡了粒子群优化算法的全局和局部搜索能力,也有效地提高了算法跳出局部最优解的能力；为进一步提高BP神经网络学习算法的收敛速度和精度,将具有全局搜索能力的MPSO算法融合到BP神经网络中,提出MPSO_BP算法,即用MPSO算法优化BP神经网络的权值、阈值,克服BP神经网络易陷入局部极值的弊端,并用Iris分类问题分别对BP、PSO_BP、MPSOBP三种算法进行仿真实验,实验数据表明,该算法能进一步提高BP神经网络的收敛速度和精度。在此基础上,提出基于改进BP神经网络算法(MPSO_BP)的入侵检测模型：MPBIDS,该模型包括数据捕获及采集模块、数据预处理模块、改进BP神经网络模块、规则数据库模块、响应处理模块五部分。最后采用KDDCUP99数据集作为测试数据集,应用Matlab软件对该模型进行仿真实验。实验结果表明,该模型能有效提高入侵检测系统的检测率、降低误报率,具有较高的实际应用价值。