随着网络攻击技术和手段的日益突出,入侵检测系统逐渐引起诸多学者的关注,成为了当前研究网络安全方面的重要课题。在众多的入侵检测方法中,研究人员发现将支持向量机SVM(Support Vector Machine)方法应用到入侵检测领域存在诸多优势,而且对基于SVM的入侵检测方法进行研究也有着非常重要的意义。本文从入侵检测数据的维数消减、SVM的参数优化和入侵检测模型的构建三方面入手,对基于SVM的入侵检测算法的性能进行深入研究。首先,本文阐述了用于维数消减的核主成分分析算法,并分析了惩罚参数和核函数参数对SVM分类性能所带来的影响,同时说明了利用粒子群算法进行参数优化的背景与思想。其次,针对入侵数据集的高维数问题,提出一种基于ReliefF和样本筛选的核主成分分析算法。该算法利用ReliefF算法进行特征选择,并对特征选择后的样本分组执行核主成分分析算法,从执行结果中,挑选前两个主成分对样本进行筛选过滤,并对筛选后的样本再次执行核主成分分析算法,进而提取最终的主成分。再次,针对SVM参数对分类性能的影响问题,提出一种基于速度和位移同步优化的粒子群优化算法。该算法在粒子种群模型分类的基础上,通过引入粒子进化度和聚合度两个变量来实现对惯性权重、学习因子和时间因子的动态调整,以达到优化粒子速度和位移的目的,使算法很快地找到最优的SVM参数。最后,在验证了上述提出的两种改进算法的有效性的基础上,本文重新构建一种新的基于SVM的入侵检测模型,并将该模型与其它入侵检测模型在MATLAB环境下进行性能比较。