针对当前网络入侵检测中的数据量较大、数据维度较高的特点，将飞蛾扑火优化（MFO）算法应用于网络入侵检测的特征选择中。鉴于MFO算法收敛过快、易陷入局部最优的问题，提出一种融合粒子群优化（PSO）的二进制飞蛾扑火优化（BPMFO）算法。该算法引入MFO螺旋飞行公式，具有较强的局部搜索能力；结合了粒子群优化（PSO）算法的速度更新方法，让种群个体随着全局最优解和历史最优解的方向移动，增强算法的全局收敛性，从而避免易陷入局部最优。仿真实验以KDD CUP 99数据集为实验基础，分别采用支持向量机（SVM）、 K最近邻（ KNN）算法和朴素贝叶斯（NBC）3种分类器，与二进制飞蛾扑火优化（BMFO）算法、二进制粒子群优化（BPSO）算法、二进制遗传算法（BGA）、二进制灰狼优化（BGWO）算法和二进制布谷鸟搜索（BCS）算法进行了实验对比。实验结果表明，BPMFO算法应用于网络入侵检测的特征选择时，在算法精度、运行效率、稳定性、收敛速度以及跳出局部最优的综合性能上具有明显优势。