黑客针对工业控制系统的网络攻击威胁到国家安全,工业控制系统是国家基础设施的核心,一旦遭到攻击会造成经济损失和影响工作效率,及时且准确的检测到网络异常流量显得尤为重要。基于异常的工业控制系统入侵检测方法近年来受到学者们的青睐,特别是使用机器学习建立入侵检测分类模型的方法大受欢迎。目前,基于异常的工业入侵检测方法在取得成功的同时还存在两个问题亟需解决:1)样本不平衡导致模型输出的预测结果倾向于多数类,弱化了模型的实际分类能力;2)模型训练复杂,现实中的网络流量传输速度很快,现有方法大多只关注模型的预测精度而忽略了检测速率。针对样本不平衡问题,提出了一种基于变分自编码器的样本均衡化策略。针对模型结构复杂导致检测速率低的问题,本文以回声状态网络中的储备池为核心,提出了一种基于深层漏积回声状态网络（deep leaky integrator echo state networks,DLIESN）的入侵检测分类模型,漏积回声状态网络由于舍弃了反向传播机制,极大缩短了训练时间。通过生成数据评价实验证明了VAE生成样本的有效性,确定适合DLIESN的网络结构,分析不同漏积参数对DLIESN模型性能的影响。选用天然气管道数据集进行仿真实验并与其他方法对比,结果表明,DLIESN不仅取得了最短训练耗时,其检测性能也不输其他方法。采用相同的参数在CSE-CIC-IDS2018数据集上进行仿真实验,DLIESN依旧取得了良好的检测效果。更进一步,对DLIESN中的储备池优化问题展开研究。通过构建由3个储备池依次堆叠而成的DLIESN分类器,其层次化的结构设计使模型具有更好的动态特性,提升了模型的预测精度。同时,针对储备池内部超参数难以合理设置的共性问题,提出了一种基于改进的麻雀搜索算法（ISSA）对储备池内部的关键超参数进行优化。通过在两个公开的基准测试数据集上与SSA-LIESN、ISSA-LIESN和SSADLESN方法作对比,ISSA-DLIESN输出的预测值更接近真实值。使用天然气管道数据集进行仿真实验,结果表明,经过ISSA优化后的DLIESN可以在更短的时间内取得更好的检测效果,进一步验证了所提方法在工控系统异常流量检测中的可行性和有效性。