随着计算机以及互联网的高速发展,人们逐渐认识到只从防御的角度构造安全系统是不够的,仅仅使用防火墙、数字加密等传统安全防护措施已经不能满足对网络安全的需求。入侵检测技术作为一种主动的安全防护技术,成为未来网络安全研究中不可缺少的一部分。为了更好适应未来各种方式的网络攻击,入侵检测系统研究逐渐开始向分布式、智能化等方向发展。首先,本文总结和概括了目前网络安全以及入侵检测系统的现状,介绍了入侵检测系统的相关定义、分类以及发展趋势。其次,本文概述了神经网络相关的基础知识,简单介绍了SOM网络和BP网络,指出基于BP网络检测算法的检测技术无法适应大规模样本训练、编码复杂以及基于SOM网络检测算法聚类结果不够准确、无法发现新的攻击类型等一系列缺点。最后,提出了一种基于混合神经网络的入侵检测系统模型。将BP神经网络和SOM神经网络结合起来,组建功能相对完善的入侵检测学习模型。将训练样本进行数据标准化和归一化,并利用SOM神经网络进行聚类产生最佳匹配神经元,然后将这些具有典型特征的样本制定编码规则并送入BP网络进行训练。这样既减少了BP网络的训练样本数量,提高了网络学习速度,还可以利用编码规则判断新的攻击类型。另外本文提出的新型入侵模型架构对于检测新型网络入侵行为以及及时更新检测网络等方面都有很好的效果。本文提出的算法以及入侵系统模型使用入侵检测数据集KDDCUP99作为测试集验证性能。与传统的入侵检测算法相比,本文的检测算法能够结合BP网络以及SOM网络的优点,使此入侵检测系统的整体效果超过传统检测系统。