随着5G技术、大数据处理技术的不断发展,物联网（Internet of Thing,Io T）应用于人类生活的方方面面。与此同时,由于部署了大量的智能终端设备,海量的物联网流量产生并送入云平台存储,物联网的网络环境中存在着大量高维、特征复杂的数据,这些特点导致传统的入侵检测技术在Io T安全防护中的应用效果不尽人意。因此,建立一种完备的Io T入侵检测系统,成为保障Io T安全的重要屏障。由于深度学习具有强大的数据处理能力和特征学习能力,为保障物联网的正常运转,本文利用深度学习技术构建物联网入侵检测模型,主要的研究工作及创新如下:1、针对栈式稀疏编码器（SSAE）模型在物联网高维数据降维过程中稀疏性不足导致难以学习有效特征以及收敛缓慢的问题,本文对SSAE模型进行改进,提出了一种BR-SSAE模型。首先,用R-dropout替换SSAE模型中的KL散度,以增强模型的稀疏性,提高对有效特征的学习能力。其次,在SSAE编码器和解码器之间逐层引入批量归一化,提高其收敛速度。最后,针对数据集类不平衡的问题,本文采用Kmeans-Smote算法对少数样本进行过采样,以达到均衡样本数量的目的,降低数据不平衡对模型检测性能的影响。为了验证改进方案的有效性,本文设置递进对照实验,对改进前后模型的检测性能进行对比。实验结果表明,BR-SSAE比SSAE具有更高的准确性以及更快的收敛速度,从而验证了本文改进方案的有效性。2、针对数据特征复杂情况下模型特征提取不充分的问题,本文提出了时序卷积网络（TCN）与双向门控循环单元网络（Bi GRU）相结合的混合检测模型（TCN-Bi GRU）。其中TCN模块提取网络流量的空间特征,Bi GRU模块提取时间特征,以此获取比较全面的时空特征。本文设置仿真实验,将提出的模型与其他模型对比,实验结果表明本文提出的TCN-Bi GRU模型具有更好的时空特征提取能力,可以有效提高异常流量的检测效果。3、将上述两种模型结合,提出一种基于数据降维以及时空特征提取的混合检测模型BR-SSAE-TCN-Bi GRU。其中BR-SSAE将高维数据转换为低维较稠密的数据,而TCN-Bi GRU充分提取低维数据的时空特征。通过设置对照实验来验证可行性,实验结果表明,本文提出的混合检测模型BR-SSAE-TCN-Bi GRU可以有效提高模型检测性能。