5G的全面到来促进了物联网的进一步发展,其广泛应用和日益增加的重要性,使其很容易引起黑客的注意、成为攻击的目标。作为面向终端的大型功能性网络,一旦受到攻击,可能会造成不可估量的损失以及存在隐私泄露的风险。因此,研究面向物联网的网络入侵检测方法极为重要。此前,许多学者已经就这一课题提出了许多基于神经网络的解决方案,不过目前的方法大多网络结构复杂且参数量巨大,并不适合部署到物联网的边缘或终端节点,大多需要终端节点将数据上传至服务中心开展统一检测,这会带来额外的通信开销和入侵风险。为此,本文对轻量级的物联网入侵检测方法展开了研究。（1）轻量级入侵检测的关键在于模型的精巧和计算量的减少。本文提出了一种基于皮尔森相关系数进行改进的遗传算法特征选择机制,用于降低网络入侵检测数据集的特征冗余度,同时减少后续入侵检测工作的计算量。相比传统的遗传算法特征选择机制,本文提出的方法在种群初始化阶段引入了种群个体多样性控制,加快了算法的收敛速度;并且在该特征选择方法的作用下,开展入侵检测任务的数据集维度比特征选择前下降了90.7%,准确率上升了13.4%,检测率上升了27.8%,在同样的训练条件下,训练入侵检测算法模型的时间减少了33.1%。（2）在特征选择的基础上,为了进一步实现入侵检测模型的轻量化目标,本文提出了一种基于一维卷积神经网络的轻量级物联网入侵检测算法模型。该算法采用一维卷积神经网络作为基础模型,再应用分层权重剪枝算法对其进行进一步的压缩和优化。在检测效果与基础模型相当的情况下,将模型的文件大小压缩了52.4%、参数量降低了10倍、推理时间降低了55.7%;并且在UNSW-NB15数据集的二分类任务中,表现十分可观。（3）最后,基于前面两个部分的工作内容,本文提出了一个用于构建物联网轻量化入侵检测模型的系统,实现了数据集导入、特征选择、数据预处理、模型预训练、模型轻量化以及入侵检测校验的全流程管理,为搭建轻量化神经网络入侵检测模型提供了一个便于扩展、易于操作的实现平台。