随着计算机技术和信息技术的快速发展,以这些技术为基础的工业物联网（Industrial Internet of Things,IIoT）也随之飞速发展。但在发展的同时也带来了安全问题。工业物联网一旦遭受到网络攻击,就可能会导致生产设备参数被篡改而造成重大生产事故,或者企业生产数据被泄露等问题,对企业利益造成重大损失。因此,工业物联网安全问题需要引起高度重视。针对日益增多的工业物联网攻击问题,研究人员设计出了入侵检测系统（Intrusion Detection System,IDS）来对工业物联网的安全问题进行实时检测。工业物联网各终端间需要通过开放网络来实现信息传输,这使得攻击者很容易通过对网络中的一个薄弱环节发起攻击进而控制整个工业物联网系统。因此工业物联网入侵检测系统必须要具有良好的实时性、准确性和运算能力。而自编码多层超限学习机（Multi Layer ELM Auto Encoder,ML-ELM-AE）的训练效率高、模型性能好等优点,能够实现对工业物联网的实时入侵检测。因此,本文以自编码多层超限学习机为基础对工业物联网入侵检测系统的安全策略进行了研究。（1）提出了一种基于L1惩罚项嵌入式特征选择算法的ML-ELM-AE入侵检测策略。工业物联网的数据量大,数据类型多样,导致数据特征中包含了大量的冗余特征。因此,提出了一种基于L1惩罚项的嵌入式特征选择算法——L1-EM。该特征选择算法可以计算出每一个特征的权重,然后按照权重大小,选择出权重较大的特征,从而减少了原始数据集中的冗余特征,降低了特征维度。再将L1-EM算法同自编码多层超限学习机结合,提出了L1-EM-MLELM入侵检测算法,从而提高了自编码多层超限学习机训练模型的性能。（2）提出了一种基于粒子群优化算法的ML-ELM-AE入侵检测算法。原始的ML-ELM-AE的输入权重和隐藏层神经元的偏置是随机初始化的,而训练模型的性能与这两个参数值息息相关,这就导致ELM的性能也随之存在随机性。因此,本论文通过粒子群优化算法来寻找最优的输入权重和隐藏层神经元偏置。该改进算法提高了训练模型的性能。