第四次工业革命推动了无线通信、云计算、大数据、人工智能、智能驾驶汽车等新兴科技的快速发展,催生了工业信息物理系统（Industrial Cyber Physical System,ICPS）。然而,由于开放的无线通信逐渐取代有线连接,使得ICPS既面临着传统恶劣工业环境干扰又面临着当代各种网络安全威胁。本文从构建有效的入侵检测模型入手,以增强系统在海量数据环境下识别攻击行为能力为目标,研究了工业信息物理系统下基于深度学习的入侵检测策略。主要的研究内容如下:（1）对ICPS的基本概念、架构方式以及研究的价值进行分析,讲述工业信息物理系统在真实生产环境下可能遭受的网络攻击类别。对ICPS下天然气管道SCADA系统进行分析研究,并设计该场景下基于深度学习的入侵检测系统架构。（2）基于深度学习混合模型的ICPS入侵检测方法的研究。选用神经网络算法中的深度信念网络（Deep Belief Networks,DBN）作为主体数据降维部分,以经典机器学习算法支持向量机（Support Vector Machine,SVM）作为分类检测部分。将预处理后的工业流量数据集作为降维部分DBN的可见层导入;在分类检测时,利用SVM对降维后的数据进行分类识别,判断系统是否遭受恶意攻击。仿真实验结果表明,本文提出的入侵检测方法兼具良好的识别准确率和检测效率。（3）基于深度自编码网络的集成学习ICPS入侵检测方法的研究。针对基于深度学习混合模型的ICPS入侵检测方法无法实现多分类检测,且采用DBN模型作为数据降维模块无法提高数据抗干扰能力,导致模型的泛化能力较低等问题,引入深度自编码网络（Deep Auto-Encoding Networks,DAN）和集成深度信念网络（Ensemble Deep Brief Networks,EDBNs）模型,组成基于深度自编码网络的集成学习工业信息物理系统入侵检测方法。预处理后的工业流量数据传入DAN模块,输出降维后的数据并导入集成学习模型EDBNs中,最终得到预测结果。仿真实验结果表明,与基于深度学习混合模型的工业信息物理系统相比,本文提出的方法能够克服SVM只能实现二分类的缺陷,且由于集成学习模型的引入,降低了系统对单一模型参数最优的依赖性,也显著降低了人工调参的时间成本,具有更高的实用性和识别率。（4）基于数据增强的ICPS入侵检测方法的研究。针对基于深度自编码网络的集成学习ICPS入侵检测方法在训练样本分布不均情况下识别某种类型流量准确率较低的问题,引入数据增强模块。首先采用随机森林算法对输入特征进行筛选,划分出主特征和非主特征,以主特征构成的样本作为数据增强模型的输入;然后,采用不平衡数据过滤层筛选出训练样本少的类别样本,利用生成对抗网络（Generative Adversarial Networks,GAN）对该类样本进行数据增强,生成该类别的训练样本数据;最后,利用DBN模型结合Softmax分类器对增强数据样本进行分类识别。本文提出的方法能有效的拟合训练样本,增大训练样本数量,能有效的提高入侵检测系统的泛化能力。