随着互联网技术的飞速发展,促进了工业化和信息化的深度融合,相关人员能够更加便捷地对工业控制系统进行管控与监控。但是,工业系统遭受网络攻击数量也在逐年增长。导致这一变化的外部原因是互联网的接入打破了工业网络的封闭性,内部原因是工业系统本身存在潜在威胁。异常检测是一种高效识别数据集中离群点的方法。目前,应用于传统信息网络的许多异常检测模型存在检测时间复杂度高和准确率低等问题,不适用于实时性需求高的工业控制系统。现有的孤立森林模型和深度森林模型在工业异常检测中广泛使用。但是这两种模型存在一定的局限性。首先,孤立森林模型在构建过程中存在随机性强的问题,导致模型的检测性能并没有达到最优。其次深度森林模型中多粒度扫描结构扫描不均匀,遗漏了特征向量两侧的特征信息,没有充分地扫描特征向量,影响后续结构特征学习的能力。并且在级联森林中基分类器单一导致深度森林模型泛化性差,数据容易过拟合。针对以上两个模型存在的问题,本文提出自己的优化方法。具体地,本文研究工作主要包括以下两个方面:针对于孤立森林模型,本文提出了两点改进方法。首先,采用改进的粒子群优化算法,智能选择检测性能好、差异性大的决策树,组合成检测性能优越的新孤立森林模型。然后,修改构建决策树过程中划分点的选取方式,以黄金分割点作为划分点。综合以上两点改进,进行了实验验证,实验表明对于模型的改进是有效的。针对于深度森林模型,本文从结构上进行改进。首先提出了一种环形多粒度扫描结构,充分获取了每一个样本特征向量的特征子集,增强了级联森林结构的表征学习能力。其次,研究分析不同分类模型的优劣势,引入了GDBT、XGBoost和Cat Boost三种基分类器,以此来增强分类器的多样性,使得每一层的集成学习模型检测性能和泛化性得到提升。最后,与历年来的方法进行对比实验,实验表明本文提出的改进能够有效提高模型的检测准确率。