近年来计算机以及互联网技术的不断普及，给人们日常生活带来了极大的便利，但随之而来的还有网络安全事件的频繁爆发。因此，网络空间安全方面的研究逐渐兴起，同时随着机器学习应用的推广，基于机器学习的入侵检测技术研究成为了网络空间安全领域的重要课题。然而高误报率和低检测率的问题始终存在，因此急需一个新的思路来进一步提升入侵检测系统的性能。针对以上问题，论文的主要工作如下：
　　首先，针对网络流量数据集的类别不平衡以及样本冗余问题，提出了通过综合采样来优化样本质量的思路，通过改进传统SOM算法，提高了聚类质量和效率，在此基础上，以聚类中心作为采样样本，实现了基于SOM的欠采样算法，再结合经典的SMOTE过采样算法，共同完成对网络流量数据集的类别平衡处理。
　　其次，针对网络流量数据集的特征冗余问题，提出了利用蚁群算法进行特征选择的思路，设计并建立了特征空间模型，将特征选择问题与蚁群算法的路径规划问题联系起来，同时结合特征选择的基本要求，改进了蚁群算法的转移概率计算方式，提升了蚂蚁构建特征子集的质量，通过引入活跃因子以及动态挥发系数，克服了蚁群算法易陷入局部最优的缺点。
　　再次，综合以上两方面数据集优化算法，以SVM算法为基础搭建了多层入侵检测分类器，设计并提出了基于SOM-ACO-SVM的入侵检测技术，详细阐述了本文所提出的入侵检测技术的训练以及检测的具体过程，从优化训练数据集的角度，提升了入侵检测系统的性能。
　　最后，在KDD-CUP99数据集上进行仿真实验，并与经典算法对比，结果表明本文提出的方法能够有效提高入侵检测系统的检测率，同时缩短训练时间。