近年来,与新一代信息技术深度融合的智能检测技术正在兴起,工业互联网突破了传统工控系统的封闭生产环境,有力推进了工业体系的智能化变革,却面临着严峻的信息安全威胁。异常流量检测作为一种重要的网络安全防护技术,可以通过主动监测网络运行状态来及时发现攻击行为。但传统的异常流量检测技术在面对当前大量复杂的工业互联网流量数据时难以从中提取有效特征,导致其检测性能较差。本文探索了基于时空融合深度学习的工业互联网异常流量检测方法,主要工作及取得的成果如下:1.针对传统的异常流量检测方法难以从当前大量复杂的工业互联网流量数据中提取有效特征,导致其检测准确率和F1分数较低的问题,提出一种基于时空融合深度学习的工业互联网异常流量检测方法。首先对工业互联网流量数据进行预处理,以此为异常流量检测模型提供高质量的源数据;然后使用由聚合残差变换网络与门控循环单元融合而成的深度学习模型综合提取流量数据的空间与时序特征,进而分析得出检测结果。实验结果表明,所提方法相较于对比方法可取得更高的准确率和F1分数,在CSE-CIC-IDS2018测试集上分别达到95.45%和89.21%,在Gas pipeline测试集上分别达到95.65%和85.65%;且该方法具有较高的检测效率。2.针对Infiltration和NMRI类样本的检测性能欠佳问题,提出一种面向不平衡数据的工业互联网异常流量检测方法。即使用基于变分自编码器的少数类异常流量增强方法对训练集中的Infiltration和NMRI类样本进行数据扩增,以此平衡训练集中正常样本与难以被正确检测的少数类样本的数量,再将扩充后的训练集用于时空融合深度学习模型的训练。实验结果表明,改进后的方法不仅可以保持原有方法的检测效率,而且可有效提升融合模型对Infiltration和NMRI类样本的检测性能,在实验条件下检测准确率分别提高了3.42%和3.92%,F1分数分别提高了3.64%和7.24%。