随着互联网的发展,网络提供的服务越来越多,但在为我们带来便利的同时,网络攻击的成本也大大降低,带来了更多网络安全问题。入侵检测系统作为新一代的网络防御技术,其功能与效率也需要与时俱进。机器学习方法被越来越多的应用于网络入侵检测中,机器学习所关注的问题是系统如何随着经验积累自动提高性能,对包含攻击行为信息的样本进行学习后得到入侵检测模型能够快速对正常流量与攻击流量进行划分,这使得入侵检测系统的检测性能大幅的提升。在直接使用SVM(支持向量机)解决入侵检测问题效果不佳的情况下,为解决入侵检测分类遇到的分类准确率低的问题,本文提出了基于模糊支持向量机的两级分类模型。该分类机制首先训练模糊SVM模型将数据粗分为正常与攻击大类,然后通过DBSCAN和K-means聚类算法生成的细分类模型进行攻击数据的自动聚类,得到攻击数据的具体类别。在设计模型过程中,优化了隶属度函数的计算、数据集预处理包括了数据归一化和标准化等过程,并训练了高效分类器。实验表明,对于网络入侵检测数据中负样本占比多的网络业务数据集,排除孤立点、噪声点后,新算法在保证分类准确率高的前提下,具有更短的计算时间。