针对网络入侵的实时高效检测问题，提出一种基于网络连接数据分析和在线贯序极限学习机（OSELM）分类器的网络入侵检测系统（IDS）。对入侵数据库中的网络连接数据进行分析，通过特征选择算法选择出最优特征子集；然后，迭代执行交叉验证，并通过Alpha剖析来缩减样本尺寸，以此减低后续分类器的计算复杂度；最后，利用优化后的样本特征集来训练OSELM分类器，以此构建一个网络实时入侵检测系统。在NSL-KDD和DARPA数据库上的实验结果表明，提出的IDS具有较高的检测率和较低的误报率，同时检测时间较短，符合实时入侵检测的要求。