计算机技术的迅猛发展,给人们的工作和生活带来了前所未有的便利和效率,网络技术的普及又使其如虎添翼,走进社会生活的各个领域,成为人类社会不可或缺的一部分。然而网络攻击行为却给计算机系统的安全带来了巨大的威胁,网络安全已经成为计算机科学与技术学科研究中非常重要的一个领域。入侵检测是网络安全中的一个新领域,在众多的入侵检测方法中,神经网络方法越来越受到人们的重视,因为神经网络具有自组织、自学习和推广能力,将其应用于入侵检测系统(IDS:Intrusion Detection System)中之后,经过训练的神经网络既可以对已知攻击有较好的识别能力,又具有检测未知攻击的能力。本文概述了入侵检测技术的研究现状,入侵检测系统的通用模型、入侵检测系统的分类、入侵检测系统的不足以及发展趋势。简要说明了神经网络的基础知识和研究现状,讲述了BP(Back Propagation误差的反向传播)神经网络算法,并且针对传统BP算法的缺点给出了一个改进的BP算法,介绍了神经网络应用于入侵检测系统方面的内容。本文针对传统BP神经网络在实际应用中存在的问题,例如因学习速率选择不当而造成的收敛速度慢和最优解产生振荡的问题,提出了一种改进的BP算法。该算法中学习速率不是根据经验给定的固定值,而是计算出来的一个最优或者较优值。并就该改进算法在Matlab中进行仿真实验,实验结果表明:和传统的BP算法相比该算法可以提高学习速度,减少学习时间。本文构建了一种基于改进BP神经网络算法的入侵检测系统模型,该模型主要由数据采集模块、数据分析模块、预处理模块、神经网络模块、响应模块和规则库模块构成。给出了模型的结构图以及每一个模块的原理和实现方式。本文对该模型进行了具体实现,给出了主要模块的实现过程,包括数据采集模块、数据分析模块、预处理模块、神经网络模块、响应模块和规则库模块。最后,我们使用DARPA1998评估测试数据集对我们的系统进行测试,用来检测系统的有效性,实验结果表明,我们提出的基于神经网络的入侵检测模型有较好的识别率和较低的误判率,有进一步研究的价值。