随着5G技术的发展,大量物联网设备快速部署到了工业、农业、金融、医疗和智能家居等领域。物联网设备普遍存在缺乏安全防护机制和用户隐私泄露等严重问题,成为了攻击者的首要攻击目标,僵尸网络作为一种常见且有效的网络攻击手段,更是成为了物联网设备安全的主要威胁。基于此,本文主要研究基于物联网流量的僵尸网络检测技术,旨在根据现有研究的基础上,发现物联网僵尸网络检测技术的不足,提高物联网僵尸网络的检测效率。本文的主要工作如下:（1）提出了一种名为GAE-MBLSTM的物联网僵尸网络检测方法,该方法结合了门控循环单元自动编码器算法（GAE）、合成少数类过采样技术（SMOTE）和多层双向长短时记忆神经网络（MBLSTM）的联合优势,并在公开的物联网僵尸网络数据集BotIo T中进行了有效性验证。其中本文提出的GAE算法是一种基于门控循环单元和自动编码器改进的特征降维算法,利用门控循环单元能够更好地捕捉特征在时间序列上的长期依赖关系的特点,使低维特征表示出高维特征在长期依赖中的上下文信息。（2）根据传统的双向长短时记忆神经网络（BLSTM）,提出了一种多层BLSTM网络结构（MBLSTM）,在双向的时间序列上将高度抽象化的浅层特征与深层特征相结合。其次为了解决物联网僵尸网络样本类不平衡的问题,GAE-MBLSTM模型使用SMOTE技术生成少数类样本,使原本高度不平衡的数据集实现了样本类平衡。实验结果表明,GAE算法能够有效降低Bot-Io T数据集中高维特征的数量,并将流量样本的数据大小压缩了83.3%,优于传统自动编码器的特征降维效果。其次,使用了SMOTE技术的GAEMBLSTM模型在欠拟合和过拟合方面也具有较强的鲁棒性和泛化能力。GAE-MBLSTM模型在物联网僵尸网络5分类检测任务中实现了99%以上的准确率和召回率。（3）基于GAE-MBLSTM僵尸网络检测算法实现了物联网僵尸网络检测系统。利用软件工程的思想对物联网僵尸网络检测系统进行了设计和实现,根据普通用户和管理员的权限差异进行了需求分析的描述,包括系统功能模块的划分和主要功能的业务逻辑。确定了系统的总体架构和功能结构,最后对系统的各个功能模块进行了详细介绍和接口设计,并对僵尸网络检测系统进行了测试和主要功能展示。