随着互联网技术的迅猛发展以及人们对网络安全等级要求的提升,入侵检测技术及其应用则越发普及化。但鉴于目前网络攻击手段复杂多变,传统的入侵检测技术无法达到预期效果,所以入侵检测技术开始向人工智能和分布式等新型方向发展,而其中智能入侵检测具有很好发展潜力和研究价值。本文在深入研究了现有的入侵检测技术、人工智能范畴的机器学习模型人工神经网络、拉普拉斯特征映射算法、粒子群优化算法的基础上,提出了一种将拉普拉斯降维(LDR)和改进粒子群优化的BP神经网络(IPSO-BP)相结合的入侵检测模型,主要研究工作如下所示:(1)对粒子群优化BP神经网络模型及算法展开了深入的研究,并通过大量参数选择实验得到适用于KDD Cup99数据集的优化模型。(2)引入拉普拉斯特征映射算法用于数据降维,再把降维后的数据用于IPSO-BP进行仿真测试实验。(3)与IGA-TS-BP和H-C4.5-NB入侵检测模型在相同环境下进行了详细的性能参数对比实验,还与KS-ISVM入侵检测模型在相同环境和不同进程数下进行了检测率对比试验。根据本文实验结论可知,LDR-IPSO-BP入侵检测模型相比一些已提出的成熟入侵检测模型,其平均检测率和单类别检测率相对更高、误报率和漏警率相对更低,且有一定的泛化能力。