目前,工业控制系统在我国钢铁石化、高端装备、轨道交通、医疗设施、电力系统、核设施等领域广泛应用,随着我国信息化和工业化相关技术的不断发展、不断融合、国际上工业控制系统安全攻击事件频发,工业互联网的安全运行与国家安全、社会稳定和人民生命与财产安全密切相关。我国近年来着力开发工业互联网平台,开展工业与网络融合应用,发展工业市场在国际的发展潜力。在工业互联网建设方面,我国的重视并不逊色于发达国家,但在信息安全保障方面,我国还尤为不足。因此,亟待研究工作强化工业互联网流量分析工作,提高安全企业针对工业互联网安全审计技术,以此提升工业互联网的安全监测防护能力。入侵检测系统可以主动的进行信息安全防护,来弥补防火墙的不足,提高工业控制系统识别异常行为或病毒攻击的预警能力。随着工业和网络的不断融合,对工业互联网在实时性的要求要比传统互联网有所提高。现有的针对工业互联网流量分析的入侵检测技术存在检测效率低下的问题,因此需要设计合理的入侵检测方法提高入侵检测的准确率。针对工业互联网流量检测的入侵检测技术准确率不高的问题,将支持向量机（Support Vector Machine,SVM）和卷积神经网络（Convolutional Neural Networks,CNN）相结合,融入工业互联网入侵检测技术中,提出CNN-SVM入侵检测模型。将网络数据通过预处理后,将一维数据转化成矩阵形式作为输入,通过卷积层和池化层进行特征提取和降维,将降维后的特征映射到一维,交给改进的SVM分类器进行分类。采用公开工业互联网数据集,进行仿真实验。实验验证,CNN-SVM模型在工业互联网异常流量检测方面可以应用,准确率达到92.47%。对比单独CNN和SVM入侵检测模型,提高了工业互联网流量分析的入侵检测准确率。