当前,随着智能设备在人们工作和生活中的普及,极大程度的给人们提供了方便。但同时,智能设备网络仍存在很多的安全问题,容易给社会或个人造成巨大损失。如何保证在智能设备网络环境下信息传输的可靠性和保密性,防止信息泄露,是当前研究的重点。传统的防火墙等网络防护技术已经难以满足智能设备网络需求。为了能够提前发现入侵行为,在入侵行为对系统环境和数据库造成破坏前进行防御,入侵检测技术应运而生并成为保护网络安全最重要的一道屏障。机器学习技术是采用计算机对海量数据进行处理,模拟人的学习行为对数据进行学习分析,并在学习的过程中不断对自身进行优化完善。将机器学习技术应用于入侵检测系统,是从数据的角度出发对海量数据进行挖掘,以提高整个系统的检测性能,减少整个系统的差错率。将机器学习技术作为对海量数据进行处理的手段引入入侵检测系统是一个全新的研究方向。本文以基于机器学习方法的入侵检测技术研究为核心,首先对机器学习技术和入侵检测技术进行了研究,探讨了将机器学习技术应用在入侵检测技术中的可行性和必要性。在此基础上,重点研究了机器学习中的决策树算法和随机森林算法,结合智能设备网络特点提出了 margin最优化修剪算法,应用于智能设备网络入侵检测系统中。通过理论分析和测试数据验证,本文提出的基于时间的margin距离最优算法应用于智能设备网络入侵检测,具有一定的可行性。机器学习技术在智能设备入侵检测系统中的应用,为人们使用智能设备提供了强大的安全保障。