随着工业互联网、工业4.0,中国制造2025等概念的提出,工业生产会面向更加智能化和效率化,生产过程的控制也会变得更加复杂和开放,同时也增加了工业生产的安全风险。工业控制系统作为高价值的攻击目标,近年来针对它的攻击行为也是越来越多,因此对工业控制系统安全的研究已经刻不容缓。工业控制系统使用工控网络传输数据,因此保证工控网络的安全就是保证了工业控制系统的安全状况。使用入侵检测系统可以检测出针对工业控制系统上的攻击,随着机器学习的发展,已经有越来越多的算法应用在了入侵检测上。虽然使用这些较高精度的算法能够在入侵检测上取得较好的效果,但是这些算法自身是存在缺陷的。因此,为了设计一种检测效果良好,并且可以防御脆弱性攻击的入侵检测算法,进行了三个方面的研究工作。首先,提出了使用循环神经网络进行入侵检测的方法。构建循环神经网络模型以及数据输入输出的方式,使用工业生产过程中产生的正常数据训练模型,得到神经网络对生产的预测结果,并通过计算实时数据与预测结果的距离得到系统的安全状态。然后,对于所提出的入侵检测模型进行脆弱性分析,给出了工控网络入侵检测中对抗样本的定义。并提出一种针对于回归问题的对抗样本生成方法,通过迭代的思想,不断向原始样本添加扰动,并使用雅可比矩阵指导扰动添加的方向和大小。最后,分析使用对抗样本攻击的特点,提出两种防御对抗样本的方法,一种是利用对抗样本生成具有针对性的特点,持久性地采集新数据并不断更新神经网络的参数;另一种方法是利用对抗样本与正常样本具有差异的特点,使用自编码器学习正常样本的特征,并结合循环神经网络模型进行入侵检测。论文实现了所提出的入侵检测算法,在复杂的工控数据集上进行了实验并验证了所提出的入侵检测算法的效果。根据所提出的生成对抗样本的方法,在数据集上生成了有效的对抗样本,并且对所提出的两种防御方法进行了验证,抽取数据集并验证了更新神经网络参数的有效性,使用生成的对抗样本验证了自编码器的防御效果。