随着互联网与计算机技术应用范围的日益广泛,政府、企业以及个人对计算机的依赖程度越来越高。与此同时,计算机网络的安全问题也越来越严峻。目前,计算机网络安全技术主要包括防火墙、路由器包过滤、各种杀毒软件与漏洞补丁等,这些技术都属于静态的安全防御技术,虽然在阻止非法入侵活动上起到了一定的作用,但是,它们很难在系统受到不可预料的损失之前对攻击行为进行拦截。入侵检测系统(Intrusion Detection System,IDS)是一种积极主动的网络完全防御技术,它能够对入侵事件做出及时地响应。然而,目前大多数入侵检测系统都存在较高的误报率,而且运行效率也不理想。遗传神经网络具有自学习、联想记忆和分布式处理等优点,将遗传神经网络应用到入侵检测中,可以弥补传统入侵检测技术的不足。论文研究了神经网络在入侵检测中的应用,主要完成的工作如下:(1)对入侵检测进行了系统地研究,分析了入侵检测技术的主要分类方法、主要的入侵检测技术以及存在的不足,阐述了入侵检测的发展方向。(2)研究了人工神经网络基本原理与功能,并对人工神经网络中常用的BP算法进行了深入研究,分析了其存在着收敛速度慢、容易陷入局部极小值的不足。(3)研究了遗传算法的基本原理,对遗传算法在神经网络中的应用进行了详细的分析。全面对比了传统遗传算法和自适应遗传算法,分析了它们的性能及存在的不足。(4)针对自适应遗传算法比较耗时的问题,提出了半自适应遗传算法。在半自适应遗传算法中,变异概率不再是通过计算种群中每个个体的适应度得出,而是通过上一代变异概率直接推出。并结合了LM算法的局部搜索特性来进一步改善遗传神经网络应用到入侵检测中的检测效率。(5)完成了两组仿真实验,实验结果表明,论文提出的方法具有训练时间短、误报率底等优点,达到了预期的效果。