针对设备在通信传输过程中产生的大量数据信息容易成为黑客和恶意用户的攻击目标，从而产生异常流量，以及流量数据的稀疏性导致难以捕捉到全局特征之间的关联性，进而影响异常流量检测效果的问题，提出了基于均方误差（MSE）改进双向长短时记忆（BiLSTM）神经网络算法的工业互联网异常流量时空融合检测方法。首先，通过One-Hot编码将工业互联网流量数据转换为数值型数据，利用MSE中的挤压激励（SE）机制调整流量特征的权重，捕捉全局特征之间的关联性。其次，采用BiLSTM神经网络的正向与反向LSTM提取网络流量的时空融合特征。最后，将时空融合特征输入Softmax分类器中，对流量进行识别，实现异常检测。实验结果表明，当迭代次数达到30次时，本文方法的损失值可以降至0.4以下，当迭代次数达到60次时，F₁与马修斯相关系数均可达到60，证明该方法具有良好的整体性能。