传感器、自动识别和跟踪、嵌入式计算等不同技术领域的发展,增加了通过互联网将智能对象集成到日常活动中的能力。将这种互联网和智能对象融合,并可以相互传输数据的行为称为物联网。这种新模式被认为未来几年信息和通信技术行业最重要的部分之一。许多应用领域,如物流、工业工程、公共安全、家庭自动化、环境监测和医疗保障等,将会从物联网系统中受益。然而,现实世界中存在的网络威胁可能会对物联网基础设施产生攻击,造成网络安全以及财产损失。由于涉及的标准和通信协议不同,计算能力有限,互联设备数量多,传统的安全对策在物联网系统中无法有效地发挥作用。为了解决物联网安全问题,满足不同的应用场景,本文利用深度学习算法中有监督和半监督的训练原理,设计了两种不同的异常检测方案。通过实验验证,两个方案可以在各自的应用场景下达到较高的检测准确率,有效解决了在异常数据集稀少时,导致模型训练准确率较低的问题,具体内容如下:（1）了解物联网安全现状,调研对于网络安全问题所提出的入侵检测,分析深度学习在异常检测上应用的可行性,并总结对比各种异常检测算法的特点。（2）根据有监督和半监督深度异常检测的方式,针对训练集是否包含异常数据的情况,分别提出基于文本卷积网络（TextCNN）和全连接的生成对抗网络（GANomaly-FC）的深度异常检测方案,设计了GANomaly-FC异常检测算法。对于基于TextCNN的异常检测方案中,将网络数据转换成文本数据,并使用词嵌入技术,保存了每个字节的语义关系并减小了特征维度,具有较高的检测准确率。在基于GANomaly-FC的异常检测方案中,通过人工提取数据特征,建立正常数据的行为特征,来训练算法模型,进行异常检测。（3）异常检测方案的实现与分析。在TextCNN的异常检测方案实现中,使用文件分割器splitcap将数据切分成会话的形式,通过读取数据转换成字节文本的形式,输入到搭建好的TextCNN网络中去,完成模型的训练与测试。在GANomaly-FC的异常检测方案实现中,使用网络流量分析和生成器CICFlowMeter进行人工提取正常数据集的特征,作为网络流量的行为特征,来训练模型GANomaly-FC,完成异常检测。实验结果表明,TextCNN异常检测率达到99.8%,GANomaly-FC的检测准确率为83.3%。并且,我们对比了在不同应用场景下,两个方案的检测准确率,以及对比了是否经过降维算法的情况下,GANomaly-FC的检测率变化。