在当今的物联网时代,海量的数据在物联网网络上传输,而在物联网网络中,异常可能是无处不在的。例如物联网网络中的DoS攻击,探针攻击,非授权的访问等异常,这些异常对物联网的整个环境带来了很大的困扰。同时,由于物联网网络传输的数据量呈现爆发式的增长,我们收集到的网络数据通常呈现类不平衡的状态。如果此时对物联网网络进行异常检测,由于数据量的庞大性和数据集的类不平衡性,异常检测准确率可能会受到影响,同时异常检测系统可能来不及做出响应,甚至会失效。为了解决上述问题,学术界将研究方向聚焦到了特征选择方法和自编码器方法上。前者可以针对物联网网络海量数据进行特征选择以降维,降低计算复杂度,选择出利于异常检测的特征,提高异常检测的效率;后者可以学习到高维数据集中深层次的特征,结合代价敏感方法,对不平衡数据集进行处理,可以有效提高异常检测准确率。总体上,本文的主要贡献和具体研究点包含以下几个方面:(1)针对物联网网络数据集具有特征的复杂性,数据的海量性等性质,对这些数据进行直接训练意味着高的时间开销和低的异常检测效率,对数据集的高维特征进行降维十分必要。因此我们研究一种基于特征选择和分类结合的异常检测模型:F＿MIC和随机森林异常检测模型。我们通过真实数据集验证了所提出的异常检测模型能够有效提升物联网网络攻击异常检测准确率、精度、召回率和F1-score。(2)针对物联网网络数据集存在类不平衡问题。因此研究基于代价敏感深度自编码器CDAE异常检测模型。我们通过真实数据集验证了此模型对于少数攻击类和多数攻击类较好的检测准确率、精度、召回率和F1-score。(3)设计并实现一个子系统,对物联网网络进行异常检测的实现。基于上述研究成果,将提出的F＿MIC和随机森林异常检测模型和CDAE异常检测模型应用于四川长虹项目子系统当中,对异常检测结果进行可视化展示。本文进一步提升物联网网络异常检测模型的检测能力,并解决部分现有物联网异常检测技术存在的问题,具有较高的应用价值和现实意义。