目前入侵检测系统中普遍存在数据维度高、数据量大、训练难等问题。在入侵检测系统中应用核极限学习机（KELM）算法，使其能够适应大量高维数据的训练，且学习速度快无需调整网络的输入权值，降低了检测系统的训练难度。但是由于入侵数据集的不均衡性、噪音干扰性、分布不均性等，直接影响了KELM的分类性能。因此，针对入侵数据处理问题，提出了一种基于IPMeans-KELM的入侵检测算法。该算法首先利用改进的PSO优化K-means算法（IPMeans）对入侵数据进行聚类处理，增加相同数据类型的聚集度，然后对处理后的数据进行10-CV分割，将分割的10份数据轮流训练KELM分类器，把测试数据通过训练好的KELM分类器进行测试，输出分类器检测率的平均值，如果检测效果不满足期望条件，则进行循环处理，直至条件满足。在Matlab平台上进行了对比实验，实验结果表明该算法在有效地提高了入侵检测率的同时降低了误报率。
