随着互联网技术逐步发展,网络安全问题日益严峻,围绕着反编译技术,逆向工程以及嵌入式驱动理论的各种病毒,木马以及流氓软件给网络用户的个人隐私,财产安全都带来的严重的威胁。为解决网络环境的安全问题,各种理论的入侵检测技术应运而生。鉴于生物免疫系统自身极高的鲁棒性和自适应性,以及良好的自我修复性,基于人工免疫理论的入侵检测技术逐渐成为网络安全领域的研究热点。免疫入侵检测技术属于误用检测范畴。该技术将检测目标分为自体与非自体两种类型,分别利用否定选择算法和克隆选择算法生成和训练成熟检测器。通过成熟检测器,实现对网络行为的识别,同时根据实时正常的数据流量生成新的成熟检测器,保证系统的动态自适应性。通过模拟生物进化的克隆选择算法对成熟检测器实施进化,以不断提高检测器的检测能力,提高系统的检测率。所以免疫入侵检测系统不仅能对网络行为进行识别,更具备了良好的自学习,自更新能力。由于通过亲和力累加值策略实现样本选择,造成了样本检测范围的高重叠,最终影响迭代效率。本文提出了一种结合多目标优化理论的克隆选择算法。该算法将父代,子代与抗原的检测结果记录成标记向量。通过计算帕累托非支配向量,映射出进入下一代的成熟检测器。同时对受支配检测器进行高频变异和自体耐受,并加入新的成熟检测以保证固定的种群规模。实验表明,该算法有效地改善了种群进化的效率,增加了种群的多样性,提高了系统的检测率。鉴于多目标规划理论对于多分类问题的良好效果,本文结合支持向量机的理论基础,提出了一种多目标规划异常检测算法。该算法对不同类别的训练样本,直接规划了多个分类空间,将抗原分类问题转化为求解多元函数条件极值问题。经拉格朗日乘数法迭代计算,得到训练集的得分向量。根据该向量与检测样本内积的所属范围,判定样本的类型。实验表明,该方法解决了支持向量中单个超维面对于多分类问题的限制,具有更少的训练耗时。