本文研究军事行动中网络域与电磁战（EW）协调背景下的网络电磁异常检测问题。传统网络态势感知（CSA）依赖OODA循环，需要融合异构数据源进行监控和解释，但现有异常检测方法往往只关注单一视角（要么是物理信号行为，要么是网络流量通信行为），难以刻画同时表现在电磁频谱和网络空间中的联合异常事件。为此，作者利用ZBDS2023数据集（包含网状网络节点的流量数据，具有物理层特征、流量层特征以及标注的攻击行为），设计了两种结合双域特征的异常检测模型：一种是有监督的随机森林分类模型，另一种是无监督的LSTM自编码器模型。实验结果显示，监督模型取得了89.76%的F1分数，明显优于无监督模型的64.09%，表明基于学习的方法能够有效检测融合双域特征的攻击模式，特别是监督学习方式效果更佳。然而，研究也发现正常样本与攻击样本之间仅存在细微差异，现有特征区分度不足，未来需要更丰富、更具判别力的特征来进一步提升检测性能。本文核心贡献在于验证了融合电磁与网络双层特征进行异常检测的可行性，并比较了有监督与无监督两种技术路线在军事场景下的适用性，可为网络电磁态势感知系统提供技术支持。适合关注军事通信安全、多域异常检测、网络与电磁特征融合分析的蓝队人员、安全研究者和军事C4ISR系统设计者阅读。