随着信息化时代的推进,智能信息化技术与各行业的交叉融合,在带来便捷的同时危险也悄然来临。工业控制行业的安全问题,以伊朗“震网”病毒事件的为爆发点,到近年来工控安全事件的数量不断增长,已经影响了国家基础建设和民生安全,因此工控系统的网络安全问题已迫在眉睫。本文以工业控制网络入侵检测方向为研究切入点,针对工业控制网络（Industrial Control Network,ICN）现阶段存在的问题,结合机器学习、特征选择以及智能优化算法等技术,设计适合于工业控制系统（Industrial Control System,ICS）安全防护的智能入侵检测系统。首先,针对如何选取最有效的ICN数据特征,进而提高入侵检测性能的问题,提出了一种基于改进麻雀搜索算法（Improved Sparrow Search Algorithm,ISSA）和孪生支持向量机（Twin Support Vector Machine,TWSVM）的ISSA-TWSVM入侵检测方法。通过ISSA对ICN原始数据特征进行特征寻优,选取最佳特征子集,降低检测模型的计算量,之后使用TWSVM对数据流量进行精准分类。通过仿真实验验证了方法的可行性和有效性。进一步,针对现实环境中ICN流量高吞吐、正负数据分布极不平衡、入侵检测数据样本人工标记的高成本和检测模型无法有效检测未知攻击的问题,提出了一种基于多尺度卷积神经网络（Multi-scale Convolutional Neural Networks,MSCNN）和单类支持向量机（One Class Support Vector Machine,OCSVM）的MSCNN-OCSVM入侵检测方法。该方法结合了深度学习和传统机器学习技术,利用正常工业数据作为模型训练样本,利用不同尺度的卷积核提取深层次数据特征,再输入到OCSVM进行数据分类,实现对异常行为的精准检测,特别是未知的异常行为。通过仿真实验证明方法的有效性,并对该方法的检测性能进行了评价。最后,设计实现了基于深度学习的工业控制网络智能入侵检测系统,将本文提出的两种优势互补的入侵检测方法结合混合入侵检测策略设计出系统核心的入侵检测模块。数据采集模块、入侵检测模块、防御响应模块、系统日志模块、监控调度模块一起构建出一套功能完整、性能优秀的工业控制网络智能入侵检测系统,通过仿真演习验证了系统的可用性和有效性。