当今社会，计算机网络发展迅速，确保网络信息的安全性就显得尤为重要。能够主动保护信息安全的入侵检测技术，作为一种保障措施而备受关注。神经网络的优势在于，它能够作为一种方法应用到入侵检测中。通过分析和训练大量的实例数据，神经网络学习训练的知识，根据已有的实例，自主掌握并分析出系统中各个实例和变量之间的关系，而不需要了解数据分布和解析的细节。本文主要对入侵检测的概念、功能以及检测方法进行详细的介绍，并详细阐述了神经网络的概念、工作原理以及神经网络的研究内容。重点介绍了BP算法的原理、步骤以及流程，根据BP神经网络模型的特点，通过比较算法的优缺点，对现有算法进行改进。首先，从神经网络的原理入手，对该原理进行讨论，研究了传统BP网络学习算法，并结合分布式和自适应的特点，对传统BP算法进行改进，提出了一种优化的BP神经网络入侵检测算法，即分布式神经网络自学习算法。通过改进的算法对入侵数据进行检测和学习，直接使用BP学习方法的训练样本数量过大而且不易收敛，这一问题得到了很好地解决。其次，通过对改进算法的研究，给出算法的具体步骤，并运用改进的算法来建立模型，对该模型进行分析，与传统BP网络学习算法进行对比，验证改进算法的可行性与有效性。最后，将算法应用于入侵检测中，通过相应的测试方法，对本文所采用的样本数据集来进行实例验证。通过检测数据的测试结果，验证分布式神经网络自学习算法的性能，得出结论。