随着工业控制网络（Industrial Control Network,ICN）高速发展,ICN安全已经是全球性重要问题之一。在全球每年的网络安全事故中,有上百起攻击都是针对工业控制系统（Industrial Control System,ICS）,而ICS被攻击造成的影响对国家的经济而言是巨大的,因此要通过研究工业入侵检测技术去加强ICS的防护。而ICN数据普遍存在着攻击样本类型复杂、数量多、数据特征维度高的问题。攻击样本类型复杂、数量多会导致在训练模型时入侵检测算法检测时间长,无法满足系统实时性的问题;数据特征维度较高会导致浅层次的特征提取根本无法提取到数据中较为重要的特征,会使模型整体的检测能力不足。针对上述提出的问题,本文使用遗传算法得到最优特征集作为训练集和测试集,并结合卷积神经网络和门控循环单元提出了一种基于遗传算法的CNN-GRU的入侵检测方法。该方法利用遗传算法识别和删除冗余的和不相关的数据来减少模型训练时间,增加分类数据的准确率。其次由于模型训练时无法提取浅层次的特征,利用一维多尺度卷积核代替传统二维的卷积核并结合门控循环单元提出了1d-MS CNN+GRU的入侵检测模型,该模型采用一维多尺度卷积神经网络加强对特征的捕捉能力,加快收敛速度,采用门控循环单元把握空间特征,减少通道数扩张,降低数据维度。分别利用KDD CUP99数据集和密西西比州天然气数据集进行实验,结果表明与经典的机器学习分类器相比,两种模型均具有较高的入侵检测性能和较好的泛化能力,满足对工业互联网攻击行为的检测需求。