本文主要研究了神经网络的相关理论,研究了BP神经网络的训练过程、基本算法并做出相应改进即将全部误差累加求和之后集中修改权值,消除了原算法中样本数据的顺序对结果的影响。在此基础上提出了一种利用遗传算法两次优化改进BP神经网络的模型(Twice Genetic Algorithm Back Propagation ,TGB),该模型的基本思想是先用遗传算法确定用来描述神经网络模型的参数组合,直到适应度函数趋于稳定,即其平均值不再有意义地增加为止。遗传算法粗选网络模型后,用BP神经网络确定使误差函数取极小值的模型参数组合,当平均误差不再有意义地减少时停止。之后,再一次使用遗传算法对模型参数进行n代的优化,以解决可能的局部极小问题,直到误差范围达到令人满意的要求或者发现搜索不收敛为止。之后将待测样本作为输入层数据,利用已经确定的稳定权值经过正向传播得到输出结果,实现了模型的预测功能。本文利用KDD CUP’99数据集对系统进行性能分析。为了简化神经网络规模、提高系统实时性,提出了一种新的降维方法即特征选提法,该方法根据具体数据先用特征选择方法粗选降维,去除影响小的特征和冗余,在此基础上,再利用特征提取方法中的主成分分析法将降维后的特征集进行映射处理,得到新的数据特征,新的特征中即包含了原有全体特征的主要信息又使得数据维数明显减少,且各主成分间相互独立,提高系统实时性的同时也提高了系统的准确性。本文将TGB与基于特征选提降维两种算法结合起来,用于入侵检测,得到基于改进的遗传神经网络入侵检测模型,并对该模型的主要模块:网络数据获取模块、数据预处理模块、特征提取模块和改进遗传神经网络入侵检测模块的主要思想和实现方式进行了介绍。实验结果证明:采用新的算法,训练时间和测试时间有不同程度的改善,并在一定程度上提高了检测正确率,降低了误报率。