依托物联网、云计算、大数据、人工智能等技术的智能家居正在快速发展,给人们带来便利的同时,却面临着拒绝服务、非法访问或隐私泄露等信息安全风险,智能家居的入侵检测研究还处于起步阶段,现有解决方案存在难以处理大量高维度数据、检测率低、误检率高等问题。本文在分析智能家居网络面临的安全威胁和网络自身特点的基础上,确立高检测精度和低时延的目标,对智能家居入侵检测方法进行了深入探究。本文的主要贡献包括:1、提出一种融合深度学习与模糊神经网络的多层神经网络入侵检测方法,构建起基于多层神经网络的智能家居入侵检测模型。基于深度学习完成数据特征的学习,将高维数据映射为低维数据,基于模糊神经网络分析判断低维数据的类别。2、针对传统方法依赖经验确定网络层数的问题,提供一种优化确定网络深度的方法,基于网络的重构误差判断其深度,使网络能够自组织完成训练;既能保证检测准确率,又可降低算法的时间复杂度。3、搭建了由数据采集、数据预处理、入侵检测和本地报警四个模块组成的智能家居入侵检测验证系统。通过winpcap完成对服务器网卡的数据包的捕获和解析,基于包头和内容信息的统计特征,并通过字符串转换为数值和归一化处理得到待检测数据,输入多层神经网络入侵检测算法处理得到识别结果,并基于结果进行输出显示或攻击响应等。测试结果表明:引入深度学习等新一代人工智能方法的智能家居入侵检测方案可有效提高对攻击行为的检测准确率和检测效率。如对典型的KDDCUP99数据集进行仿真测试得到针对拒绝服务攻击和远程非法访问的检测率可达到94%,而且对网络中新型攻击行为的检测率超过60%;基于所搭建智能家居入侵检测系统的验证测试结果表明,对分布式拒绝服务(Distributed Denial of Service,DDoS)攻击的检测平均延时为6s,且检测准确率可达96%。