Los modelos actuales de detección de intrusiones suelen tener una alta tasa de falsos negativos, lo que afecta significativamente la practicabilidad de los sistemas de detección de intrusiones (IDSs). Para abordar este problema, proponemos un modelo de detección de intrusiones basado en un módulo de red neuronal convolucional unidimensional multi-escala (MS1DCNN), un módulo eficiente de atención de canales (ECA) y dos módulos bidireccionales de memoria a corto plazo (BiLSTMs). El modelo híbrido propuesto MS1DCNN-ECA-BiLSTM utiliza el módulo MS1DCNN para extraer características con una granularidad diferente de los datos de entrada y utiliza el módulo ECA para mejorar el peso de las características importantes. Finalmente, el modelo lleva a cabo el aprendizaje de secuencias a través de dos capas de BiLSTM. Utilizamos el optimizador de escarabajos de estiércol (DBO) para optimizar los hiperparámetros en el modelo y obtener mejores resultados de clasificación. Además, utilizamos la técnica de sobremuestreo sintético de minorías (SMOTE) para añadir varias muestras y reducir la tasa local de falsos negativos. En este estudio, entrenamos y probamos el modelo utilizando datos precisos de redes de un sistema de control industrial de almacenamiento de agua. En el experimento de clasificación múltiple, la precisión del modelo fue del 97.04%, la precisión fue del 97.17% y la tasa de falsos negativos fue del 2.95%; en el experimento de clasificación binaria, la precisión y la tasa de falsos negativos fueron del 99.30% y 0.7%. En comparación con otros métodos principales, nuestro modelo obtuvo una puntuación más alta. Este estudio proporciona un nuevo algoritmo para la detección de intrusiones en sistemas de control industrial.