网络异常检测对于保障网络安全至关重要，但高维网络流量数据常带来特征冗余问题，增加计算开销并可能降低模型性能。本文提出一种基于Choquet积分的特征聚合框架，旨在通过自适应加权与增量特征选择相结合的方式，有效聚合高维特征，减少冗余并提升检测效率。具体而言，该框架利用Choquet积分对特征进行非线性聚合，能够捕捉特征间的交互效应，同时引入增量选择机制逐步筛选最具判别力的特征子集。实验采用随机森林和XGBoost作为分类器，在包含214MB原始特征的数据集上（推测为CICIDS2017等常见入侵检测数据集），对比了使用原始特征与使用Choquet聚合特征后的检测性能。结果表明，在保持精度和召回率不变甚至略有提升的情况下，聚合后的特征数据量减少77.5%（从214MB降至48MB），同时准确率最高提升7%，且通过多次分层重复实验验证了统计显著性（p<0.05）。这些增益在特征数量受限的场景下尤为明显，表明该方法适用于带宽受限或特征获取成本高的实时入侵检测环境。本研究的主要贡献在于提出了一种可解释且高效的网络流量特征聚合新思路，为降低入侵检测系统的资源消耗与提升检测效率提供了有力支撑。适合对网络异常检测、特征工程及机器学习分类器优化感兴趣的网络安全研究员及工程师阅读。