入侵检测是一种积极主动的安全防护技术,它可以监视主机系统或是网络上的用户活动,发现可能存在的入侵行为。但由于我国入侵检测技术研究起步较晚,目前入侵检测系统依然存在许多不足,如虚报率和漏报率较高和主动防御能力较弱等问题。为此本论文分析了国内外利用模糊神经网络解决入侵检测技术中存在的问题和不足,对基于模糊神经网络的入侵检测技术进行了深入研究。首先,针对传统基于BP模糊神经网络入侵检测方法的不足,提出了一种基于Takagi-Sugeno模型的模糊神经网络入侵检测方法,该方法采用Takagi-Sugeno模型的神经网络结构。同时本文设计了一个特征选择算法(Selected-F)对网络数据属性进行降维处理,通过分类检测方法降低计算代价,完成入侵检测。其次,设计了一种改进的遗传算法,并用其对Takagi-Sugeno模型模糊神经网络的各种权值参数进行优化。通过模糊神经网络方法实现网络数据的分析,解决了入侵检测存在的模糊性问题,提高了算法的健壮性。最后,使用KDD CUP 99标准数据集作为实验数据,在Windows XP操作系统环境下,用Matlab仿真实验工具进行仿真实验。实验结果显示,该检测方法能够有效检测入侵攻击,具有较低的误报率和漏报率,并能实现对攻击的实时检测。