随着网络技术的迅速发展,互联网极大的促进了社会发展,其应用越来越广泛,但是网络安全性的问题也日益突出,网页挂马、黑客等入侵行为层出不穷,甚至已经在国家层面对我国安全构成了巨大威胁,因此十分有必要对网络安全技术进行研究。入侵检测技术通过分析计算机系统及网络上的关键信息,能够有效地发现入侵行为,从而在攻击行为对网络系统造成损害之前进行拦截与响应。随着互联网的迅速发展,网络规模越来越大,网络数据的高维特征也越来越明显,这类数据容易导致分类器的学习性能降低。在入侵检测的各类方法中,支持向量机检测速度快,检测精度高且具有良好的泛化能力,因此本文使用支持向量机来建立入侵检测模型。多元宇宙优化算法这一群智能算法,其具有所需参数少,在较短时间内找到近似最优可行解的特点,但其易陷入局部最优。针对这一缺点,本文通过将其与混沌理论相结合,提出了混沌多元宇宙优化算法。通过设计更好的初始宇宙来提高宇宙质量,使其不易陷入局部最优,并在当其陷入局部最优时通过混沌扰动来使其跳出局部最优;之后将其应用到支持向量机的入侵检测模型中,针对网络数据的高维特征,使用该算法对数据进行特征选择,去掉冗余特征;为了在进行特征选择的同时利用该算法对支持向量机的参数进行选择,设计了编码格式和适应度函数,在保证了分类精度的同时加快了检测效率。本文通过基准测试函数来对所提出的混沌多元宇宙优化算法进行验证,实验结果表示其具有较好的开发利用能力和探索能力。通过使用UNSW-NB15数据集对混沌多元宇宙优化算法建立的入侵检测模型进行性能测试,结果表明其能较为有效的提升检测准确率,降低了漏报率和误报率。