信息物理融合系统（Cyber-Physical System,CPS）是一种智能化系统,它实现了计算、通信和控制的高度融合。在“中国制造2025”的战略中处于核心地位。一个典型的CPS系统组件包含传感器,执行器,控制器和一个通信网络,通信网络用来完成各个组件之间的信息交互,是CPS的核心,因此CPS更应注重网络安全。如今CPS已经被广泛地应用到了智能电网、交通网络、医疗系统等与人们生活息息相关的领域,如何保证CPS的安全性成为了首要解决的问题。入侵检测系统（IDS）具有主动防护的特性,可以对CPS中出现的入侵行为做出及时响应和处理。如今,5G信息技术的快速发展,导致网络流量数据更加庞大,基于传统机器学习的IDS检测性能往往与数据的特征提取紧密相关,而特征提取需要人工进行处理,并需要大量复杂的运算,对人工依赖性较强。深度学习可以从数据特征中自动学习特征表示,减少了对人工的依赖,因此本文将卷积神经网络（CNN）运用到CPS的IDS中。为了提高模型的泛化能力,本文在卷积层使用Dropblock技术使特征图以空间块的形式随机失活,有效地解决了传统Dropout方法在卷积层不适用的问题。在网络入侵的数据集中,不同攻击类型的样本量相差较大,导致数据分布不均衡,使得模型更加倾向于样本量较多的类别,为了解决这一问题,本文模型中使用Focal Loss损失函数来提高模型对分布不均衡的数据集的处理能力,降低不平衡样本集对模型性能的影响。本文对传统的CNN结构进行了改进,将Inception结构与密集卷积网络（Dense Net）模型进行结合,提出了一种Inception＿Dense Net块,使模型可以在每一层都可以学习更加丰富的特征,更多的保留原始数据的特征信息,使模型的输出结果不仅仅只依赖于网络中最后一层的特征,提高了特征的可重用性。最后对模型的参数进行调整,如激活函数,优化算法等,使模型达到最优。最后采用KDD CUP99数据集对模型性能进行测试,并且使用传统机器学习模型和经典CNN模型与本文模型在同一数据集上进行实验对比,并分析其结果得出,本文模型的整体识别能力相较于其它模型有所提高,因此验证了本文模型在CPS入侵检测系统的可用性。CPS具有实时性,因此为了提高模型的检测速度,本文使用Tensorflow深度学习框架搭建一个分布式的入侵检测系统,并对比单机环境下模型的训练速度,结果表明分布式的IDS可以有效地提高模型的检测速度,使其可以更好的满足CPS的实时性。