随着大数据时代的来临,工业互联网安全问题需要新的技术支持。入侵检测正是一种对工业网络环境安全保护技术的有效补充,具有重要的意义。同时,计算机的能力的增强将更加丰富入侵检测技术,使其具有超强的检测能力,同时能够应对更加复杂的网络环境。入侵检测技术可以通过对网络流量数据、系统日志、系统行为等数据做出适当的分析,发现网络系统是否出现异常情况或是遭到入侵攻击的情况,进而发出警报。为了保证工业控制系统的正常运行,许多科研工作者提出利用入侵检测技术来保护工业控制系统。但是针对工业控制系统的入侵检测技术,也还需要进一步地改进完善。因此,本文针对异常入侵检测深入研究,通过异常入侵检测识别异常数据,然后通过多类分类算法对异常数据进行分类,以便于更好的应对突发状况。本文主要工作及研究内容如下:（1）提出了基于FW-SVDD的异常入侵检测方法,面对高维特征数据,数据特征对算法影响的程度存在差异,现阶段的SVDD并没有考虑这个问题,导致检测准确率低,效果差。为了解决这一问题,本文将算法在寻找最优SVDD时引入了特征权重这一概念。通过一种组合赋权的方法对样本的每个特征设置一个权重。特征权重的引入通过差异化样本不同特征影响的重要性,来弥补SVDD的缺点。通过与现阶段四种SVDD算法在公开的工业系统数据集上做了实验对比,本文算法在两组数据集上准确率和AUC都明显提高,且准确率高于使用本公开数据集研究的最新文章中的准确率。（2）提出了基于集成学习入侵检测方法,本方法主要用于对异常入侵检测方法检测到的异常数据进行分类,由于工业互联网面对的攻击数据多种多样的问题,本方法采用融合算法的方法来提高多类分类算法的分类效果和性能,使用加权平均概率投票法构建了一种新颖的融合算法。在公开的工业系统数据集进行了验证,通过四种评价指标说明了本研究方法的创新性。（3）本文通过提出的两种方法设计了基于工业控制网络的入侵检测系统。该系统将采集工业控制网络流经的通信数据进行处理,提取有效的特征数据,然后利用基于FW-SVDD的异常入侵检测方法分析是否属于异常数据,对于异常数据,通过基于集成学习的入侵检测方法进行多类分类,识别其具体攻击类型,并通过报警系统通知管理员,提升工业控制系统的安全性,提高管理员应对突发攻击事件的效率。