互联网的急速发展深刻的影响着人们的日常学习、工作和生活,尤其是移动互联网的发展与普及,大大增加了互联网数据流量的消耗。网络世界繁荣发展的背后,也有着不可轻视和忽略的威胁与风险,例如网络攻击、隐私泄露等。因此能够提前利用入侵检测系统对风险行为进行预警就显得尤为重要。传统入侵检测方法（如专家系统）难以有效的检测新型网络攻击,入侵检测领域迫切需要更加智能的技术来处理当前面临的难题。机器学习算法将网络攻击检测问题抽象为网络流量数据分类问题,利用已知的网络流量数据对机器学习算法进行建模,从而进行分类预测,达到识别网络攻击行为的目的,使得智能入侵检测模型的研究和应用成为可能。本文在多种机器学习技术的基础上,提出了适用于二分类和多分类入侵检测任务的机器学习模型。针对入侵检测二分类问题,本文聚焦于通过数据均衡技术来提升模型的最终表现,提出了一种基于自适应合成过采样（Adaptive Synthetic,ADASYN）技术和决策树算法的混合入侵检测方法,该方法使用ADASYN算法对训练数据中的少数类样本进行过采样操作,将采样后的数据应用于决策树算法的建模过程中,并通过决策树剪枝操作实现模型的调优工作。通过在UNSW-NB15数据集上进行训练、验证和测试,之后与KNN、逻辑回归、支持向量机、Ada Boost、随机森林、决策树以及其它多个深度学习方法进行对比分析,结果表明,本文所提出的模型在入侵检测二分类任务中具有较好的性能表现。针对入侵检测多分类问题,其目的就是要实现对攻击行为的精准分类。本文提出了一种基于层次结构的入侵检测多分类方法,该方法将对入侵行为的检测分为多个层次,每层针对一种或多种攻击进行检测。针对多种网络攻击种类间也存在着样本不均衡问题,因此每一层的训练数据都进行了ADASYN过采样操作,同时为了弥补分层结构带来的时间开销,实验针对每种攻击类型进行了特征选择操作,从而提升了网络攻击的检测精度和检测效率。