近年来,工控行业逐渐向数字化和智能化发展的方向推进,工控系统在开放和互联的同时也面临着更为复杂的安全挑战。工控系统的入侵异常检测研究面临底层业务数据集过少的难题,尤其是包含有效的底层业务负例样本数据集。且随着工控系统中引入深度学习,工控系统中常用的边缘计算平台往往无法满足深度学习模型对存储和计算资源的要求。本文对工控系统的负样本扩充算法和深度神经网络剪枝算法展开研究,创新点及研究成果如下:（1）提出一种基于双判别模型的生成式对抗网络。针对工业控制系统的底层业务数据建立一个高效的、生成对抗性较强的高质量攻击样本的方法。与传统生成式对抗网络不同,本文在判别环节增加入侵判别模型,在保证生成的攻击样本与种子攻击样本相似的同时,又保证了攻击样本的入侵性。经验证,与传统生成式对抗网络生成样本和不平衡样本相比,本文方法生成的样本与原样本相似率更高,真实性更强,且能够有效降低误报率,提高异常检测模型的准确率。（2）提出一种基于泊松分布的剪枝算法。在深度神经网络迭代过程中,基于泊松分布假设,通过泊松概率公式计算卷积模板中参数变化的历史情况,训练过程中尽早删除参数变化少的模板,能够降低模型尺寸从而加速训练过程。经验证,本文方法在工控数据集上剪枝率能够达到95%,top1准确率损失率仅为1.06%,剪枝后的模型仅为初始模型的3.7%。在图片数据集上与其他算法对比,本文在相同剪枝率的情况下保留了更高的精度,且再训练过程更快。从而满足边云协同在工控场景应用下对安全与性能的要求。