工业控制系统(Industrial control system,ICS)被广泛应用于能源、化工、污水处理等关键基础设施的监督和控制。近年来,工业控制系统遭受攻击的事件频繁发生,不仅造成重大经济损失,甚至威胁到国家基础设施和人的生命财产安全。现有的基于工业控制系统过程数据异常检测方法多采用机器学习方法检测异常,但此类异常检测方法并不解释异常结果,且难以确定异常原因,因此本文提出基于过程数据关联性的ICS异常检测方法,主要工作如下:(1)针对离散型控制变量的工业控制系统,设计基于一阶差分累积和的异常检测方法,利用变量间控制关系进行关联和异常分析。首先,针对基于累积和方法在检测噪声数据转折点的不足,设计基于一阶差分累积和的转折点确定方法;然后,根据转折点分析执行器变量与传感器变量间的控制关系,遍历执行器变量集确定传感器变量的控制集;随后,将执行器状态与传感器特征关联,利用关联特征表达执行器变量对传感器变量的控制效应,避免构建精确物理模型;最后,根据关联特征检测异常,并基于一阶差分累积和的转折点发现算法确定异常区间以及异常原因。(2)针对连续型控制变量的工业控制系统,设计基于拓展边界的一类支持向量机异常检测方法,解决一类支持向量机在高噪声数据分类方面存在的问题并根据过程数据的相关关系进行异常溯源。首先,利用基于最大正交距离的转折点算法确定过程变量的转折点,该过程自适应确定迭代终止条件,适用于不同噪声水平的过程数据;然后,根据原因先于结果发生和原因变化必导致结果变化这两个特征分析变量间的因果关系,构建因果图用于异常结果溯源;使用非监督机器学习一类支持向量机训练过程数据获得正常数据的分类边界,拓展该分类边界作为异常判断边界,允许一定范围内的噪声干扰,可降低异常检测的误报率;最后对出现异常的变量根据因果图分析异常源。(3)分别利用安全水处理系统以及田纳西仿真平台数据验证本文两种异常检测方法的有效性。实验结果表明,本文基于过程数据关联性的异常检测方法能够准确检测系统异常,且具有较低的漏报率和误报率。同时,对比现有的相关性分析方法,本文的基于转折点的相关关系分析方法准确性更高,且能有效定位异常区间和溯源。