Los Sistemas de Control Industrial (ICS) se utilizan para controlar procesos físicos en infraestructuras críticas. Estos sistemas se utilizan en una amplia variedad de operaciones como el tratamiento de agua, generación y distribución de energía, y fabricación. Aunque la seguridad de estos sistemas es de seria preocupación, informes recientes han mostrado un aumento en los ataques dirigidos a manipular procesos físicos para causar consecuencias catastróficas. Esta tendencia enfatiza la necesidad de algoritmos y herramientas que proporcionen mecanismos de detección de ataques resilientes e inteligentes para proteger los ICS. En este documento, proponemos un marco de detección de anomalías para ICS basado en una red neuronal profunda. La metodología propuesta utiliza convolución dilatada y capas de memoria a corto y largo plazo (LSTM) para aprender dependencias temporales y a largo plazo dentro de los datos de sensores y actuadores en un ICS. Los datos de sensores/actuadores se pasan a través de un pipeline de ingeniería de características único donde se aplica la transformación wavelet a las señales de los sensores para extraer características que se alimentan al modelo. Además, este documento explora cuatro variaciones de modelos de aprendizaje profundo supervisado, así como un modelo de máquina de vectores de soporte (SVM) no supervisado para este problema. El marco propuesto se valida en los resultados de la plataforma de pruebas de Tratamiento de Agua Segura. Este marco detecta más ataques en un período de tiempo más corto que los métodos publicados previamente.