随着时代的发展,互联网技术的不断普及,各行各业都在网络的连接加持下蓬勃发展。但是随着技术的发展,所带来的安全问题也不容小觑,稍有不慎就会带来严重的安全后果和经济损失。在现实生活中,各类病毒、木马侵害计算机系统,不同种类的垃圾短信和诈骗信息影响着日常生活,无处不在的网络攻击对各个行业都造成了巨大的影响。对于社会发展来说,针对网络安全问题带来的问题厄需解决。针对存在的网络安全问题,传统的网络防御体系已经不能满足时代的要求。因此开始针对提出网络入侵检测系统（Intrusion Detection System,IDS）及其技术是一种主动的防御性入侵检测手段,成为网络入侵检测的普遍方法,被业内广泛关注。随着大数据时代的发展,机器学习技术的研究方兴未艾,将机器学习算法深度融合到入侵检测体系当中去势在必行,由于机器学习算法灵活性智能型等优点,但是在当下应用机器学习算法入侵检测系统中任然存在效率低下,检测精准度差,样本分布不均匀,误报率高的问题,因此本文意在提高入侵检测整体效率的同时对不同维度的攻击类型进行合理分类,针对原始数据集中高纬度数据的特点,进行多种算法手段特征选择,处理冗余维度特征信息,提升检测准确率,结合相关机器学习算法,设计出一个基于机器学习的入侵检测分类模型。入侵检测应用机器学习技术本质上就是分类的过程,本文在针对NSL-KDD99的网络入侵数据集检测模型中,首先选用KNN算法引入训练数据集的筛选过程,然后面对预处理阶段,引入方法分析、互信息、随机森林、递归特征消除、极度随机树、相关性分析、L1正则、L2正则、PCA降维特征选择算法,进行横向对比分析,选择出最优特征选择算法,然后针对提出的KNN算法进行改进,提出一种基于加权特征KNN特征权重的分类方法,构建一个基于特征权重自适应算法（WKNN-Selfada）入侵检测模型。通过对NSL-KDD数据集进行模拟对比实验的过程,所提出的算法模型得到了更优的实验效果,与其余针对KNN的特征选择算法对比,提升了整体效果,特别是在模拟对网络攻击比较严重的DOS攻击和R2L攻击时,展现出更好的实验结果,在F1值、召回率、准确率上得到了体现。