近些年随着IoT设备的大规模推广,针对IoT设备的攻击事件也不断发生,体现出IoT的防护体系尚不完善。因此,本文提出一种基于改进的随机森林和深度残差的IoT入侵检测方法,该方法能较好检测出已知攻击和未知攻击,识别网络中的威胁。针对已知攻击,本文提出Resample-RF模型。首先,针对不平衡样本问题从模型角度提出改进的随机森林方法,该模型充分利用集成学习高准确度的特点。改进的随机森林模型包含平衡样本选择算法和多分类贪心转化算法,前者对不平衡类别增加样本权重;后者在训练时,将多分类转为二分类模型,在预测时,使用二分类贪心投票算法,将二分类转成多分类。然后,针对随机森林中特征值过多导致效率低的问题提出特征归并方法,优化模型训练时间、提高模型准确率。针对未知攻击,本文提出基于CVAE的深度残差网络。首先,考虑到攻击的不确定性以及不平衡样本问题,本文使用CVAE网络进行样本扩充。然后,在扩充的样本基础上,使用ResNet-10和双层LSTM网络进行未知攻击检测。模型充分利用了CNN提取局部空间特征和RNN提取时序特征的优势,准确提取特征,识别异常样本。最后,在多个数据集上验证模型效果。首先,在IoT-23和Kaggle数据集上验证Resample-RF模型效果。在IoT-23上模型准确率、F1、Recall均达到0.99;在Kaggle数据集上模型准确率、F1、Recall均达到1.0。本文模型具有较好检测已知攻击效果,能准确区分出不同类别攻击。然后,在Kaggle数据集和UCI数据集上验证基于CVAE的深度残差网络效果。在Kaggle数据集上模型F1达到0.90,在UCI数据集上模型F1达到0.99,说明本模型也具有较好检测未知攻击能力。