基于无线通信网络的智能电网由于具备更高的开放性,使恶意攻击者有着可乘之机。其中,拒绝服务（Denial of Service,DoS）攻击最常见且容易实施,其通过耗尽网络资源,中断网络通信,使量测信息无法正常传输至控制中心,导致电网面临瘫痪。虚假数据注入（False Data Injection,FDI）攻击隐蔽且复杂,其通过精心设计来篡改系统量测信息,成功绕过坏数据检测机制,降低电网的经济运行效率。本文针对上述两种攻击的防御方法进行研究,具体内容如下:（1）针对DoS攻击对智能电网的影响,提出一种基于卷积神经网络（Convolutional Neural Networks,CNN）和长短期记忆神经网络（Long Short-Term Memory,LSTM）的预测补偿模型来解决DoS攻击导致的系统量测值丢包问题。该模型充分结合了CNN在特征提取上的有效性以及LSTM在长距离依赖上的优势,使得该模型可以提取量测数据的有效特征,预测其长期发展趋势。为使CNN能够在空间上融合更多特征信息,本文将挤压激励块嵌入到CNN中,使模型能够自适应地调整信道的特征响应。同时,考虑到深度学习模型往往会存在输出数据尺度对输入数据尺度变化不敏感的问题,引入自回归模块来解决这一问题。所提出的模型在IEEE-30和IEEE-118总线测试系统上的容积卡尔曼滤波（Cubature Kalman Filtering,CKF）状态估计算法中得到了验证。仿真结果表明,与LSTM、CNN和MLP等方法相比,基于该模型的CKF算法具有更高的估计精度。（2）针对FDI攻击对智能电网的影响,提出一种基于多标签分类的时域卷积网络模型来检测被FDI攻击篡改后的系统量测数据。该模型充分利用了时域卷积网络在时间序列上强大的建模能力来提取系统量测信息中的有效特征,从而预测其未来发展趋势。同时所提出的模型还结合多标签分类的方法使该模型不仅能检测出FDI攻击的存在,还能检测其攻击的位置。本文所提出的FDI攻击检测模型在IEEE-14和IEEE-118节点系统上进行了仿真。实验结果表明,与LSTM、SVM及XGBoost方法相比,所设计的FDI攻击检测模型可以有效地检测出攻击的存在性以及攻击的具体位置。