实时以太网技术以低成本、高速率的优势,在地铁通信网络中得到的应用越来越广泛。然而以太网的开放性同时增加了网络受到恶意攻击的可能性,为了保障乘客的乘车安全,地铁通信网络系统需要建立起一套高效且精确的网络入侵检测系统。本文依托课题组基于地铁乘客信息系统的横向开发课题,结合地铁通信网络的结构特点,以低部署成本、高检测精度和低检测时延为目标,提出了一套适用于地铁通信网络的入侵检测系统。本文提出的地铁通信网络入侵检测系统包括位于各车厢的入侵检测节点和位于司机室的总控设备。入侵检测节点对流经本车厢的流量数据进行入侵检测,并将检测结果发往司机室总控设备,由总控设备汇总各车厢的网络异常情况,并对结果进行提示。通过对各适用于入侵检测任务的机器学习模型,尤其是基于循环神经网络的模型进行了研究和实验验证后,本文选择采用Fast GRNN（Fast Gated Recurrent Neural Network）模型作为入侵检测模型。Fast GRNN模型由循环神经网络改进而来。本文的理论分析和实验结果表明,相对同样基于循环神经网络的门控循环单元（GRU）和长短期记忆网络（LSTM）,Fast GRNN模型在保持了同等甚至更优的检测精度的同时,内存占用和检测时延显著降低。借助Fast GRNN的低硬件资源占用,本文提出将入侵检测模型直接部署在地铁通信网络现有设备上,进一步降低部署难度和成本,在不对网络拓扑结构作较大修改的前提下为通信网络引入了入侵检测系统的保护。本文选择导乘屏系统作为部署各车厢入侵检测节点的硬件设备。为了验证所提出系统的有效性和可靠性,实现了各子系统,包括入侵检测系统、导乘屏系统和总控屏系统,完成了PC虚拟机测试,并将这些系统部署到了STM32MP1嵌入式平台上。移植和性能测试结果显示,本文提出的地铁通信网络入侵检测系统拥有较低的系统占用,即使部署到地铁现有硬件上,也可以保证入侵检测和原任务都流畅运行。