计算机技术和互联网技术的高速发展与广泛应用,推动了物联网技术的发展与普及。而随着新生物联网技术的不断发展和应用,物联网入侵现象的出现也变得越加的频繁。入侵检测,作为一种网络信息防御手段,一直以来都是信息安全领域的焦点,并且在信息安全保障上一直举足轻重。但是,在物联网的环境下,物联网的网络环境中存在大规模的、特征更加复杂的数据,这为入侵检测模型的规则学习与数据检测带来了新的挑战。本论文将深度学习技术和浅层分类技术相结合,并引入到入侵检测中,提出一种新的基于堆栈自编码器和快速支持向量机的入侵检测算法（SAE-FSVM）用于检测异常的网络数据。支持向量机（SVM）是一种具有风险较小、泛化能力较高等特点的监督学习模型,在有限的样本数据下,其能通过训练获取到误差较小的结构,因此在入侵检测领域应用广泛。但是,作为一种小样本的学习模型,其对大规模高维度样本的分类优势不明显,分类效果也不突出。大规模,高维度的网络样本数据往往会SVM模型的学习速度和学习率产生影响。因此,本论文的主要内容如下:（1）对于高维度的网络数据,算法使用堆栈自编码器（SAE）进行特征提取,通过深度结构将高维网络数据层层抽象映射到低维空间中去,从而获取到更深层、更抽象、更高级的特征表示。有效地降低无关特征信息和重复的特征信息给SVM训练带来的影响,提高SVM的学习速度。（2）针对大规模的训练数据对SVM带来的影响,文章中分别使用了两种样本规模归约算法对SVM的输入样本进行归约。根据SVM的训练特点,计算并过滤掉一部分的非支持向量,从减少SVM的训练负担,提高SVM训练的速度。本文通过基于KDD CUP99数据集的异常数据检测实验进行评估,验证了SAE-FSVM模型在大规模、高维度的样本数据下,在有效地提高SVM分类器的精确度的同时,降低了SVM模型的训练时间。实验证明,本文的算法能够有效地降低大规模、高维度的网络数据给SVM分类带来的影响。