最近的一份报告指出,在过去的五年里面,对信息系统安全的威胁增加了250%,导致了约1000亿美圆的损失,所以网络安全在最近几年会是研究的热点。网络安全中,入侵检测系统作为防火墙的重要补充,还存在很多的缺点,如高的误报率,对新型攻击还不能有效检测。为此,将人工智能的学习算法引入到入侵检测中,来解决这些问题,是当前的研究热点。目前,有很多研究人员将神经网络算法引入到入侵检测中,并取得了很不错的效果,但神经网络存在诸多的缺点,如局部最小点问题,过学习问题等等,限制了其在入侵检测中的进一步的发展应用。本文将统计学习理论引入到入侵检测中,并将模糊支持向量机理论首次应用于入侵检测中,提出了基于模糊支持向量机分类器的网络入侵检测方法,根据网络入侵检测的特征,选择了合适的RBF核函数,构建出合适于网络入侵检测的模糊支持向量机分类器。将这种分类器应用于网络入侵检测中,通过对DARPA的数据的测试结果,显示这种分类器运用于网络入侵检测是可行的,有优势和特点的。最后,在该分类器的基础上,通过对一款开源网络检测系统BRO的研究,提出基于该分类器的实用的智能网络入侵检测系统模型。