当前,随着工业生产制造技术与大数据、云计算、人工智能新一代信息技术的深度融合,现代工业正朝着数字化、智能化等方向飞速发展。但是,工业化与信息化深度融合的同时,工业控制系统自身的封闭性被打破,加之工业控制系统信息安全防护技术发展较为缓慢,工业网络信息安全问题愈发突出。入侵检测作为一种可以实时监测和保护工业系统信息安全的技术,受到众多研究人员的青睐。入侵检测就是通过对采集到的行为信息进行分析,从而做出该行为是否为入侵行为的判断,其本质上是一种对分类问题的研究。对分类问题,孪生支持向_一量机(TWSVM)是一种在支持向量机(SVM)基础上改进的算法,其训练速度快,泛化性能强,能够很好地解决分类、回归等问题。本项研究在仔细研读了大量文献资料及相关理论知识的基础上,构建基于粒子群优化(PSO)的TWSVM模型。首先,针对工业网络数据入侵特征值度量单位不同,样本的特征属性各异,对工业网络数据进行归一化;其次,针对工业网络数据维度较高的问题,采用主成分分析(PCA)对工业网络数据进行降维和特征提取;然后,针对单一核函数的性能不足,构建一种由Gauss核函数与Sigmoid核函数组合而成的混合核函数;此外,利用偏二叉树法构建多分类孪生支持向量机用于对数据的类型分类。由于整个算法中包含多个参数,针对参数选择的问题,本项研究提出了改进的结合遗传算法的粒子群优化算法(GAPSO)。首先,针对PSO算法在种群多样性不足、全局寻优方面较差的问题,本文将遗传算法中的选择、交叉、变异的思想用于PSO算法,其次,针对PSO算法容易陷入局部收敛,本文使用动态非线性的惯性权重参数及动态学习因子,改善了算法的优化性能。最后,将优化得到的各个参数代入TWSVM模型中,并使用密西西比州立大学发布的工业网络数据集进行实验仿真。仿真结果表明,与对比方法相比,本文提出的入侵检测方法具有更好的检测性能。