随着网络和其他信息技术的高速发展,计算机网络已成为社会生活必不可少的一个部分。但是,由于Internet其本身所具有的开放性和共享性在给人类社会带来了便利的同时也带来了更多的安全隐患,使得网络安全问题遭遇了严峻的挑战。入侵检测技术是近些年来新发展起来的一种安全防护技术,它是防火墙、信息加密等安全保障之后发展的一种新的网络安全保护技术。随着该领域的长足发展,其研究趋势表现为需要更加智能和可靠,这就需要将机器学习相关方法应用于入侵检测。研究基于机器学习的入侵检测算法,进一步提高检测算法的适用性和时效性,具有重大的意义。本文主要研究了将机器学习方法应用在入侵检测中的特征选择、分类预测等相关问题,提出了基于特征选择集成学习的入侵检测方法。集成学习方法能够有效提升分类模型的性能,而采用何种方式进行分类器的集成则是关键所在。本文通过对数据进行特征选择,产生不同的特征子集,以此为基础生成具有差异性的训练集,从而进行基分类器的集成,生成基于特征选择的集成分类模型,以此作为一种新的检测方法。本文主要的研究工作包括以下三个方面:首先,通过对比三种不同度量方式的特征选择算法,实验分析出对于网络数据来说信息度量的方式较为有利,在此基础上提出一种基于信息度量的特征选择方法,结合实验分析说明该方法对识别数据特征的有效性;其次,通过分析机器学习相关的分类算法,说明集成学习方法的优势,对于如何将其应用于入侵检测中进行了简单说明,并根据集成学习的原理提出一种基于特征选择的集成学习分类模型,实验分析表明该方法能够进一步提高入侵检测的分类准确率;最后,结合前面提出的相关方法,设计一个混合入侵检测框架,分析说明该框架的相关模块以及该框架的优点,实验表明该检测框架能够在未知攻击数据较多时表现出较好的检测性能。