随着互联网的普及,互联网安全问题显得越来越突出。如何及时发现、识别各种网络威胁并保证系统安全运行已经成为当前研究的关注点之一。入侵检测系统(Intrusion Detection System, IDS)在保护网络安全的过程中发挥着重要的作用。而基于机器学习的入侵检测模型具有智能化、自动化的优势,是入侵检测技术的研究方向。针对现在互联网的现状,以及现存的用于入侵检测系统的机器学习方法需要大量有标记数据,无法利用低成本的无标记数据的特点,本文将流形正则化超限学习机算法引入入侵检测领域,探索并验证该方法用于入侵检测系统中的有效性和可行性,并进一步研究无标记数据数量对所建模型的影响,以及不同核函数对所建模型的影响,为将来将流形正则化方法用于入侵检测提供一些基础。实验结果表明,该入侵检测模型能够利用无标记数据提高模型检测准确率,同时无标记数据并不是越多越好,基于Sigmoid和Hardlim核函数的该入侵检测模型的效果比基于Sine、Tribas、Radbas核函数的该入侵检测模型的检测效果好。