工业物联网（Industrial Internet of Things,IIo T）的发展与应用,极大地提高了工业生产效率,同时也带来了更为严峻的网络安全挑战。作为维护网络安全的重要手段,异常流量检测技术也越来越受到重视。本文针对面向工业物联网的异常流量智能检测技术进行了研究,总结了当前的研究现状与挑战,参考和研究了多种现有工业物联网异常流量检测技术,针对在线与离线场景分别开展了实时检测技术和时间序列技术研究,并将在线与离线检测技术结合,进一步提高异常流量检测效率。本论文的主要研究内容如下:·针对在线实时检测应用场景,从异常流量检测的实时性要求出发,展开了基于在线分析的实时检测技术研究,设计了特征过滤库并基于宽度学习算法提出了一种弹性轻量宽度学习算法。该方法在保持宽度学习快速检测和增量学习能力的基础上,进一步减少了检测时间开销,并有着更佳的分类检测能力。·针对离线时序分析应用场景,从工业物联网的时间相关性角度出发,展开了基于离线分析的时间序列技术研究,提出了多路特征长短期记忆网络模型,该模型有着较高的泛化能力和稳定性,且取得了极佳的检测效果;并在此基础上对其进行优化,设计了特征分组算法并提出了分组特征长短期记忆网络模型,极大地减少了模型的计算开销。·针对在线与离线全面检测应用场景,展开了基于在线与离线协同的智能检测技术研究,提出了一种在线与离线协同异常流量智能检测系统架构,并基于该架构设计了特征库更新算法以及特征智能更新在线检测模型,通过拓展特征过滤库,将本文提出的实时检测模型与时序分析模型结合,使其协同运行,进一步提升了检测能力。以上研究内容均在4项物联网相关数据集上,通过检测准确率和召回率等评估指标进行仿真实验验证,并与多种主流检测方法进行对比。实验结果表示,本文所提出的异常流量检测技术能有效提升异常流量检测效率。