随着计算机网络的飞速发展,网络安全问题日益突出。当前网络安全防护技术大多是静态的安全技术,如路由器过滤、防火墙、漏洞防堵等。静态安全技术对防止系统被非法入侵起到了一定作用。但在真正的网络攻击行为发生时,尤其是在遭受新型的网络攻击方法攻击时,静态防御技术不能完全确保网络的安全和抵御黑客的攻击。所以,作为主动且动态的网络安全防御技术——入侵检测技术,成为网络安全技术发展的一个新方向。本文从网络安全现状入手,首先介绍了传统的网络安全技术,现有的常见的网络攻击,接着介绍了入侵检测基本概念及入侵检测的研究现状,并分析了现有入侵检测系统存在的不足之处。同时本文在介绍隐马尔可夫(HMM)模型和径向基神经网络(RBF)具体内容的基础上,分析了它们各自的优点和不足之处,提出了基于RBF和HMM的网络入侵检测模型。使用RBF神经网络(RBFNN)来对HMM模型进行训练,结合神经网络良好的抗干扰性和隐马尔可夫模型(HMM)建模性能好的优点来提高系统的整体识别性能,对其模型的结构和分类识别的方法和过程进行了分析。最后的实验结果表明该模型具有较高的检测率、较小的误报率,并且可以检测到未知的攻击。