随着工业控制系统在工业生产中的广泛应用,工业网络所受到的安全威胁也日益增加。机器学习和深度学习技术有效地提升了入侵检测系统对工控网络中恶意攻击的检测效果,然而,入侵检测模型的训练需要大量标记数据,这些数据通常位于不同的网络中,收集和标签化的成本很高。此外,工业通讯网络中的攻击类型是动态变化的,现有入侵检测模型并不具备对未知攻击检测的能力。因此,如何解决工控流量数据不充分,以及如何训练在动态的工控通讯网络中具有适应性的高精度入侵检测模型已经成为工业控制网络安全领域亟需解决的问题。针对以上问题,结合工控入侵检测的实际场景,本文提出了两种基于迁移学习的工控流量域适应方法,旨在提高模型跨域检测的精度以及对动态网络空间的适应性,具体研究内容及贡献如下:（1）针对基于机器学习构建的浅层入侵检测模型,本文提供了一种基于聚类增强的工控流量域适应方法,该方法主要由基于特征的迁移学习算法和聚类增强策略两部分组成。前者基于谱变换的特征空间映射,来训练一个能够实现跨域检测的入侵检测模型;而后者主要采用K-Mediods来对源域和目标域进行聚类,以此来减少人工参数调整所带来的学习折损,并提高了源域和目标域相关性计算的准确性。实验结果表明,采用本方法训练的基线模型在精度上最高达到了92%,在F-score上最高达到了91%。（2）针对基于深度学习构建的深层入侵检测模型,本文构建了一个对抗性域适应网络来训练工控入侵检测深度学习模型,并将域适应的可迁移注意力引入以实现流量数据的跨域细粒度对齐,局部注意力被用于突出流量数据中可迁移或在域迁移时影响系数更高的特征字段;全局注意力被用于从整体上强调可迁移性更强的单条流量数据,旨在建立细粒度的迁移通道,提高模型跨域检测的精度以及对动态网络空间的适应性。实验结果表明,本方法不仅在跨层检测时更具优势,在目标样本数量较小时,本方法在精度和F-score上最高达到了99%。