随着网络技术的快速发展,在给人们共享资源带来方便的同时,也引发了许多网络安全问题。近年来,网络入侵事件频发,信息安全正面临着巨大的威胁和挑战。像防火墙、数据加密等一些被动的安全防御技术跟不上信网络全发展的需要,入侵检测技术是一种主动的信息安全防护手段,已经成为未来信息安全研究领域的重要课题。目前传统的入侵检测技术依然存在检测方法单一、检测精度不高等问题,因此尝试将神经网络、遗传算法、人工免疫、粒子群优化算法等智能技术引入到入侵检测中,改进的检测方法取得了较好的效果,可以在一定程度上改善入侵检测的准确率。分析了现有入侵检测技术和模型的基本原理以及存在的不足,根据BP神经网络的特点,发现BP网络应用于入侵检测是一种可行的方法。可以充分利用神经网络技术自适应学习、分布并行和存储等优良特性,一定程度上可以克服传统入侵检测技术的不足。分析和比较粒子群和量子粒子群优化算法依然存在陷入局部最优的问题,提出一种改进的自适应变异量子粒子群优化算法,在一定程度上提高了算法的收敛性。针对传统BP算法收敛速度慢、易陷入局部极小等不足,提出了多种策略的改进方法,并尝试用改进的智能算法优化BP网络参数,进而提高BP神经网络的学习效率。用改进的量子粒子群算法优化BP神经网络的权值和阈值,进而得到优化的BP网络模型。本文将改进的BP网络模型应用于入侵检测中,从标准入侵检测数据集中抽取大量的学习和测试样本,进行仿真模拟实验。实验结果表明,改进的BP算法收敛性有显著的提升,有效地提高了入侵检测效率,因此将改进的BP神经网络应用于入侵检测中有一定的优势和重要的研究价值。