La detección de intrusos en redes tiene problemas de grandes cantidades de datos, numerosos atributos y diferentes niveles de importancia para cada atributo en la detección. Sin embargo, en los bosques aleatorios, los resultados de detección tienen grandes desviaciones debido a la selección aleatoria de atributos. Por lo tanto, con el objetivo de abordar los problemas actuales, considerando aumentar la probabilidad de selección de características esenciales, se propone un modelo de detección de intrusos en redes basado en un bosque aleatorio seleccionado de tres vías (IDTSRF), que integra tres ramas de decisión y un bosque aleatorio. En primer lugar, de acuerdo con las características de los atributos, se propone evaluar la importancia de los atributos combinando la entropía del límite de decisión y utilizando tres reglas de decisión para dividir los atributos; en segundo lugar, para mantener la aleatoriedad de los atributos, se establecen tres reglas de selección aleatoria de atributos basadas en la aleatoriedad de los atributos, y se selecciona aleatoriamente un cierto número de atributos de tres campos candidatos de acuerdo con condiciones; finalmente, el conjunto de muestras de entrenamiento se forma utilizando un método de muestreo autónomo para seleccionar muestras y combinando tres conjuntos de atributos seleccionados aleatoriamente, y se entrenan múltiples árboles de decisión para formar un bosque aleatorio. Los resultados experimentales muestran que el modelo tiene una alta precisión y recall.