随着互联网技术的发展,开放TCP/IP互联技术以及标准IT技术被广泛地应用到工业控制系统中。一方面,原有工业控制系统从封闭专有的系统向开放互联的系统的转换是一个必然的趋势;另一方面,这些系统都是大型且长期稳定使用的系统,不易被替代。因此,如何对互联开放的工控系统进行有效的安全防护和检测成为了工业界和学术界关注的重点。本文对工业过程控制系统的异常状态的检测和分类问题进行了分析和研究。鉴于深度学习方法在异常检测领域中表现出很好的分类效果,我们将该算法应用于本文的研究中。本文主要以化学工业为研究背景,以工业控制系统为研究对象,针对其异常检测存在的具体问题,结合深度学习技术,研究了异常检测的优化方法。本文的主要研究成果如下:1.针对工业过程控制系统在采集大量高维数据时存在缺失值的问题,本文提出对深度信念网络结合序列插补策略改进缺失值插补算法。该算法在解决工控系统的数据缺失的预处理问题时,有效地提高了数据填补精度,并从大量的高维数据中提取有效信息。2.通过1中的去噪深度信念网络深度分层模型结合有效的单分类算法,本文改进了集成算法模型,来解决工控系统中的异常检测问题。利用去噪深度信念网络在数据插补以及降维方面的有效处理,以及有效的单分类算法(单分类支持向量机)来解决异常检测过程中异常数据难以获取而导致的数据不平衡问题。通过实验对比,证明集成算法的异常检测结果表现出很好的分类效果。3.本文设计了一种多分类算法:多样性一对一算法。该方法是对2中已正确分类的异常情况进行多分类处理。通过不同分类算法导出的分类器,将多个分类系统用于一对一处理。该方法使用候选分类算法为每个类对构建候选分类器,然后根据其验证错误率选择每个类对的最佳候选分类。实验证明,与其他一对一单分类算法相比,本文所改进的方法可以产生更好的分类结果。