针对当前入侵检测中存在检测率低，误检率和漏报率高的问题，提出了一种基于K-means聚类的贝叶斯分类算法（IKMNB）。用改进的K-means聚类算法对原始数据集中的完整数据进行聚类，然后计算缺失数据集中的每条记录与k个簇中心之间的近似度距离，把记录归属为距离最近的一个簇，使得该记录的缺失值被相应簇中的属性值填充，最后运用贝叶斯分类算法对处理后的完整数据集进行分类。通过仿真实验验证了该算法与朴素贝叶斯算法相比提高了检测率，降低了误检率和漏报率。