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