当今社会的工业发展水平已经处于非常先进的水平,大多数生产活动也具有了自动控制、网络交互等特点,现代化水平大大提高。工业控制系统是工业生产活动中非常重要的一环,可以实现工业行为的自动化控制,工人可以不用身处复杂危险的环境中工作,也极大提高了工作效率。工业控制系统目前已经广泛应用于各种工业生产场景,例如水电、交通、市政等领域,在提高生产效率、维持系统稳定、维护设备运转、保障人身安全等方面扮演了非常重要的角色。在工业控制系统中,具有一种实时监测设备运行状况、保障系统安全运行的组件,称为入侵检测系统。该系统自身具备检测出入侵行为的能力,并在发现这些入侵时及时做出相应,包括做出警报或当场清除等。区别于传统网络安全设备的被动防御策略,该系统采用主动安全防护的思想来保障工控安全。工控入侵检测系统是保障工控系统稳定运行的关键因素,间接保障了工业生产活动的正常进行。然而传统工控入侵检测技术的检测方法设计简单,检测精度较差,已经不能满足当前工业生产的要求。目前深度学习技术发展迅猛,凭借各种神经网络出色的计算水平和学习能力,该技术可以完成许多传统方法难以完成的任务。本文针对使用Modbus通信协议的工控通信过程,设计了一种多分类GoogLeNet-LSTM模型来进行工控入侵检测。该入侵检测方法主要由GoogLeNet特征提取、LSTM时序检测和入侵多分类三部分组成,实验证明该方法在通用的工控入侵检测指标上均取得了一定的进步。首先,介绍了该课题的真实背景及研究意义,介绍了目前存在的各种入侵检测方法。并对比了各检测方法的特点,分析了它们的优势与存在的缺点。引出了基于深度学习的入侵检测方法,为本方法的提出奠定了基础。其次,设计了一种多分类GoogLeNet-LSTM模型。该模型以LSTM网络为主体,使用GoogLeNet作为特征提取工具,并添加了attention机制来协助处理长序列任务,具有较强的特征提取能力和长时间序列处理能力。再次,研究了基于多分类GoogLeNet-LSTM模型的工控入侵检测方法。该方法首先分析Modbus协议工作原理,根据关键字段将网络包划分为是否携带信息的两种网络包。对于不携带信息的网络包使用模板对比方法进行检测,对于携带信息的网络包使用设计的模型进行检测。之后对于不携带信息的网络包,根据关键字段来确定具体的入侵类型;对于携带信息的网络包,在网络模型连接一个softmax分类器进行检测结果多分类来明确具体的入侵类型。最后对提出的方法建模,采集了基于Modbus协议通信的天然气管道控制系统的工业生产数据来构成数据集,并进行实验验证,实验取得的工控入侵检测指标为:准确率为97.56%,误报率为2.42%,漏报率为2.51%。并将该方法与其他方法进行对比,验证了本方法具有更好的工控入侵检测能力。