随着物联网技术在研究与应用中广泛兴起,物联网中的网络安全问题越来越得到人们的关注。物联网中的安全问题比传统的网络安全问题更加严重,不仅会对信息资料造成影响,也会对具体的接入设备造成破坏。物联网入侵检测技术是物联网安全技术中很重要的一种技术手段。传统的入侵检测技术难以满足物联网异构性的特点,针对这种情况,智能学习算法与物联网入侵检测技术相结合的研究应运而生。本文将深度学习应用到物联网入侵检测中,通过降噪自编码器叠加建立深度网络,在噪声输入的情况下,利用无监督Greedy逐层训练算法依次训练每一层以进行更鲁棒的表达,通过反向传播法微调模型。栈式降噪自编码器能够学习到更优异的特征,所以该方法能够更好的处理大量高维的物联网入侵检测样本。根据物联网TCP/IP分层网络结构,结合栈式降噪自编码器的特点,本文提出了一种基于栈式降噪自编码器降维的物联网分层入侵检测模型。在模型中,采用栈式降噪自编码器(SDAE)作为特征的降维处理,然后使用支持向量机(SVM)对物联网入侵的行为识别和分类。使用公共数据集NSL-KDD验证论文所提出模型的可行性。本文对该模型性能与其它降维模型进行实验对比,结果表明,SDAE-SVM具有更好的特征学习能力,提高了分类正确率,降低了误报率和漏报率。将设计的每层IDS与全层IDS进行比较,同样有较高的准确率、较低误报和较低漏报率,有效减轻入侵检测负载。