随着计算机技术和网络技术的迅猛发展,计算机系统已经从独立的主机发展到复杂的、互连的开放式系统。这种情况导致计算机及网络的入侵问题越来越突出,为保护系统资源,需要建立不同于防火墙和防毒软件的主动防御机制检测入侵。入侵检测系统是网络深层防卫系统的重要组成部分,它通过检测和分析网络流量和系统日志等有关审计数据,以判断系统中是否有违背安全策略或计算机系统安全行为。但入侵检测还存在着不足,检测异常入侵行为并提高检测速度,研究高效可用的异常检测算法并建立相应的检测系统是十分必要的科学关键问题。本文基于智能技术,提出并实现了一种基于支持向量机和网络自相似原理的异常入侵检测系统。本文的创新点是:(1)针对目前异常入侵检测系统存在错报、漏报、检测时间长和在缺少先验知识情况下推广能力差的问题,提出了在异常入侵检测系统中应用量子粒子群算法(QPSO)训练支持向量机,使得系统在小样本的条件下具有很好的推广能力,并用QPSO解决二次规划问题(QP),提高检测速度。本文还采用了并行检测模型,实现在线检测,在给定的错误警报率下减小了延迟时间。(2)在研究网络异常现象对网络流量自相似影响的基础上,本文针对传统检测方法不能有效检测异常攻击、区分繁忙业务、防止错报和漏报的问题,提出了应用概率密度来检测异常攻击的方法。并采用该方法分析了异常检测的准确检测、错误检测和漏报检测及其密度分布。