随着Internet的蓬勃发展，社会的正常运行对网络的依赖也越来越大。保证网络的安全也成为信息社会的重要课题之一。随着各种攻击事件与入侵技术、手法的不断更新与发展，如何有效的检测、防止网络入侵显得越来越重要。 论文从入侵检测的概念、模型及分类入手，介绍了支持向量机理论和国内外基于支持向量机的异常检测研究现状，分析了各种检测方法和它们的优缺点和基于规则的误用入侵检测系统SNORT，并在此基础上提出一个基于网络入侵检测的AMD模型。该模型把异常检测和误用检测有机结合起来，各自发挥其优点，从而改进单一检测技术的不足，提高入侵检测系统的整体性能。 在AMD模型基础上，论文利用开源的LIBSVM和SNORT分别作为异常检测和误用检测模块，使用DARPA数据集和KDD99数据集进行AMD模型的数据分析与评估。结果表明：该模型的训练速度和分类速度都非常快，对每条记录的处理都在毫秒级。AMD模型的检测率、误报率、检测未知攻击的能力和提供详细的入侵信息的能力都达到很好的效果，相对于单一的入侵检测技术，AMD模型的入侵检测系统整体性能得到明显提高。