随着网络的不断发展,安全的重要性越来越突出,原有的防火墙已经难以单独保障网络的安全,入侵检测系统开始发挥出不可替代的作用。然而,现有的入侵检测系统在有效性、适应性和可扩展性等方面都存在不足,尤其是在遇到新的入侵类型时显的无能为力,针对这些不足,本文从数据处理的角度,用数据挖掘的方法建立了入侵检测的模型。由于入侵检测系统处理的数据含有大量的冗余与噪音特征,使得系统耗用的计算资源大,导致系统训练时间长、实时性差,检测效果不好。特征选择能够很好地消除冗余和噪音特征,有利于提高入侵检测系统的检测速度和效果,因而对基于特征选择的入侵检测系统进行研究是必要的,也符合入侵检测领域的发展趋势。本文提出了一种基于过滤器模式特征选择的入侵检测系统模型,分别用Chi2、信息增益和FCBF三种不同的算法进行特征选择,用决策树作为分类算法。按照DoS,PROBE,R2L,U2R四个类别对KDD CUP’99数据集进行分类,并且在每一类上进行了大量的实验。实验结果表明,对每一类攻击,由本文提出的特征选择算法构建的入侵检测系统在建模时间、检测时间、检测已知攻击、检测未知攻击上,与没有运用特征选择的入侵检测系统相比具有更好的性能。