对储油控制系统的运行数据进行异常检测是保证系统安全生产的重要手段之一。然而当前研究面临很多问题:（1）边云协同架构在现代的工控系统中应用越来越普遍,但是受限于边缘侧一般为算力较弱的工控机,基于深度学习的异常检测算法需要大量的计算资源,难以直接用于边缘侧;（2）传统的异常检测算法只给出了是否发生异常的分类结果,但是很难定位哪些点位受到攻击,现场排错困难;（3）同业务不同现场的工控系统中,存在点位个数、种类差异,适用于某一现场的分类器难以直接用于其他现场,提高分类器的迁移学习能力是当前亟待解决的问题。本论文在前人研究的基础上,分析了储油控制系统底层业务数据的特点,进行了以下工作:1.首先提出了一种基于轻量级卷积网络的异常检测算法,将其命名为“Single Net”。为了避免相邻的无关点位干扰,设计了独列卷积加关联计算的网络结构,提高了检测准确率和训练速度,节省了计算资源,且该算法的训练和测试均可在边缘侧上完成。2.然后在轻量级网络的基础上,提出了一种基于注意力模型的点位数据攻击识别方法。该方法借鉴注意力模型中的编码和解码过程,设计横向模板卷积,动态计算点位相似度的加权平均,在保证正确率的情况下,定位到被攻击的点位。3.最后采用深度迁移学习方法解决场景迁移问题。与传统方法不同的是,为了学习点位时序曲线的形状,在深度迁移学习网络中加入拉普拉斯正则项。该方法提升了对目标的识别率,改善了场景间的迁移问题。