随着人工智能技术在物联网中的应用日益增多,物联网因其分布、异构性等特性对其安全、可靠性构成了极大的威胁。随着物联网的发展,针对目前的网络发展趋势,物联网安全的解决方案已成为当前网络安全方向的迫切需求。为了保障物联网网络的安全性,入侵检测技术是一种非常关键的技术。近年来,机器学习和深度学习在计算机视觉,自然语言处理,图像识别,智能翻译,推荐系统等方面,都有了很大的突破。基于此,本文提出了一种深度学习算法与物联网入侵检测技术相结合的研究方法。本文重点研究基于深度学习的物联网入侵检测模型,以提高其检测的灵活性、准确性和效率。通过引入深度学习技术,增强了物联网网络环境下对各类异常攻击的探测能力,提高了检测的准确率,降低了误报率,增强了网络的安全性。基于物联网的入侵检测特性,用深度学习算法进行特征提取,消除冗余特征来降低其对特征分类结果的影响。为了解决入侵检测中存在的特征提取困难、检测准确率低等问题,提出了一种应用在物联网环境下融合了堆叠式稀疏自动编码器（Stacked Sparse Autoencoder,SSAE）、注意力机制（Attention Mechanism）和长短期记忆网络（Long Short-Term Memory,LSTM）的入侵检测模型,即SSAAE-LSTM。主要研究内容如下:（1）使用无监督学习的稀疏自动编码器将输入的原始数据压缩成一个低维数据表示,去除冗余特征,增强入侵检测系统对特征的识别提取。堆叠几个稀疏自动编码器,使其能够自动地获得并学习关键特征。（2）利用注意力机制再次减少数据的噪声,对重要的特征进行更加准确的捕获,可以有效地处理大量高维的物联网入侵检测样本,并加快了算法的学习速度,提高了算法的准确率。（3）使用LSTM进行特征分类,训练后的SSAAE还可以初始化LSTM潜在层的权值,从而避免了传统LSTM方法中的随机初始化权值,从而进一步提高了LSTM的识别准确率。通过仿真试验验证了入侵检测模型的有效性,所提出的方法能够有效地提取出最重要的特征,并且能够高效地进行识别和分类。