近年来,随着计算机技术的发展和网络规模的扩大,系统遭受的入侵和攻击越来越多,网络与信息安全问题变得越来越突出。入侵检测系统(IDS)作为网络安全体系中的重要组成部分,已得到了越来越广泛的应用。但是入侵检测的发展也面临着新的难点,其中最主要的问题之一就是如何把异常状态与正常状态区分开来,提高入侵检测的准确性问题。针对这一问题,在入侵检测中引入了数据挖掘(DM)技术,数据挖掘作为近年来一种新型的人工智能方法,在入侵检测中得到了普遍的运用,然而数据挖掘中又存在着“尖锐边界”问题,于是又将模糊集合论引入其中,即模糊数据挖掘。但是模糊集合中的隶属度函数及其参数的确定过于依赖专家领域知识,从而影响了入侵检测的准确性。为了解决以上这些问题,本文提出了在异常检测中运用量子粒子群算法(QPSO)对隶属度函数参数进行优化的方法。重点讨论了QPSO算法在入侵检测中的具体应用。我们根据局域网的实际情况,选择与网络流量相关的四个属性,分别在正常状态和异常状态下收集数据,建立合适的隶属度函数。运用QPSO算法对隶属度函数的参数集进行优化,在优化过程中把隶属度函数里的参数组合当作一个粒子,在粒子的迭代进化中运用模糊数据挖掘的技术,可以搜索到最佳的参数组合。通过这个最优的参数集,可以计算出正常状态和异常状态下两个关联规则集的相似度,当相似度越小,表明异常状态越背离于正常状态,这样最大限度地将两个状态区分开来,提高了异常检测的准确性。最后通过网络流量的实验,验证了此方法的可行性。