近年来，网络安全问题不断凸显，病毒(Virus)的数量呈指数级增长，其危险性也在不断增加。各个互联网安全厂商分别设计开发新的安全防护产品，以加强对病毒入侵的检测工作。在这些新的安全产品中特征选择技术仍然是各大厂商使用的主流技术。　　 论文主要结合粗糙集、遗传算法、聚类分析等技术提出新的特征选择方法，并将其应用在入侵检测领域以解决病毒数量大、变化快、维度高和干扰多的问题。同时在病毒入侵检测的检测效率与精度等方面做出积极的探索。论文的主要工作和取得的阶段性成果总结如下：　　 改进基于粗糙集和遗传算法的特征选择方法，针对检测效率与精度的需求，采用了一种改进的遗传算法来实现特征选择；该算法把粗糙集理论应用到遗传算法中，应用粗糙集理论来构造遗传算法中的适应度函数，并在运用遗传算法前使用启发式的方法来形成遗传算法中的初始化种群。　　 改进基于聚类分析和拆分训练集的特征选择方法，针对训练集的海量特性和病毒检测的时效性，采用把训练集拆分为多个训练子集，并根据时间序列赋予各训练子集的选择结果以不同的权重；与此同时对指示度高的特征予以保留。之后在改进遗传算法的基础上使用聚类分析来形成不同的种群，根据种群聚类分析的情况来自适应地选择交叉率和变异率，以此来优化特征选择的结果。　　 实验证明了算法能够提高对病毒的检测率，降低误报率，并减少检测过程的复杂度。