随着网络通信技术的快速发展，无线Ad hoc网络的发展和应用前景十分广阔。由于无线Ad hoc网络具有动态拓扑、多跳路由以及移动节点能源受限等特性，导致网络中的入侵攻击形式复杂多样，传统网络中的安全检测技术已不再适用，因此需要针对性的开发出适合其特点的入侵检测算法。无线Ad hoc网络数据是高维、稀疏的分类属性数据集，导致入侵检测数据量十分庞大，耗费大量的时间，限制了检测系统的性能。利用关联规则提取数据集的最大频繁项集，在保证检测效率的前提下可以有效的压缩检测数据量。聚类方法是一种典型的无监督学习技术，它可以在未标记数据集上直接建立入侵检测模型或者发现异常数据，本文中提出的聚类算法将节点间的相似度和簇分裂的思想应用到算法中，有效的提高了聚类效率。本论文主要围绕无线Ad hoc网络中的入侵检测算法进行了一些研究：　　 1.本文针对无线Ad hoc网络中数据集的高维、稀疏性等特点提出了一种基于最大频繁项集树的算法，算法只扫描数据库两次，不产生候选模式。通过提取高维数据集的最大频繁项集对其进行降维和选维，有效的压缩了数据集，降低了数据挖掘算法的复杂度。　　 2.本文在检测方法上，通过对已有的基于结点相似度的层次聚类算法特点的分析，得到了一种新的基于相似度的层次聚类算法。它使用了基于坐标方式选取合格近邻点机制和分裂聚类的方法，很好的实现了分类属性数据集的聚类。　　 3.综合利用提出的两种新的算法建立一个新的入侵检测实验模型。实验表明在新的检测模型上能够进一步减少检测数据量，提高检测精度，降低误报率。