网络的安全性问题也越来越受到广泛的关注,各种网络安全相关的技术和产品不断涌现。入侵检测技术是其中一个重要的技术。本文针对现有的入侵检测系统的不足,提出了将数据挖掘技术应用于入侵检测以提高其性能的方法。现有的入侵检测系统普遍具有自适应性差、误报漏报问题严重和数据过载等问题。在此本文结合Apriori和RIPPER算法两种数据挖掘算法,提出一种自适应入侵检测系统,该系统是一种具有自学习、自完善功能的入侵检测系统。利用Apriori提高IDS检测误码率,提高入侵检测的正确率,同时减轻入侵检测负荷。对于己经检测到的未知攻击,我们利用分类算法来产生相应的规则,便于特征检测引擎能够及时检测出这种未知攻击。实验结果表明,入侵检测自适应系统有自动化程度高、系统可维护性、可扩充性好、系统效率高等特点。本文的主要工作在:①根据入侵检测现状,深入的学习入侵检测模型,分析入侵检测系统的基本体系,建立一种入侵控制台、入侵检测代理((IDS agent)、数据挖掘引擎和规则转换四部分组成的自适应的入侵检测系统模型。②从数据挖掘的基本概念着手,通过研究分析数据挖掘技术,结合入侵检测自身的特点,提出了改进Apriori和RIPPER算法,并用于入侵检测系统中。③将改进Apriori和RIPPER算法在自适应的入侵检测系统模型中,进行实验分析,得到实验结果。通过测试结果发现,改进的Apriori算法和RIPPER算法的挖掘的效率和正确率较高,使入侵检测系统能够有效的检测到已知和未知攻击,并讨论入侵检测自适应模型进一步研究的方向。