随着网联化技术不断发展,车联网网络安全问题逐渐暴露出来,对于车联网安全研究也在不断深入。入侵检测技术作为一种主动安全防护手段被应用到车联网当中,传统入侵检测技术并不适用复杂多维的车联网环境,现有的车联网安全研究工作更多注重车辆安全和功能安全,缺少入侵检测研究但更多的实例证明入侵行为在不断发生和增加,研究适合车联网的入侵检测技术十分必要。因此,本文针对车联网数据复杂多维条件对车联网数据进行特征处理并利用卷积神经网络算法和分布式大数据技术实现入侵检测系统设计与实现,并针对车联网数据降维方法、卷积神经网络算法、分布式大数据技术和入侵检测系统设计与实现四个方面进行系统研究。针对车联网数据存在数据维度高,类型特征多样的问题,本文提出一种基于改进主成分分析的入侵检测数据降维方法。首先对局部线性块进行处理,然后利用坐标排列方式使坐标对齐,最后得到整体低维数据。实验结果证明,该方法对本文使用的数据集特征提取分别达到98.54%和96.91%准确度相比传统的主成分分析法的89.45%和87.27%有较大的提升。针对卷积神经网络存在泛化能力差和检测精度不足的问题,本文提出一种基于改进卷积神经网络的入侵检测方法。首先利用端到端半监督训练分类器和分层学习方法检测网络数据,然后学习样本特征,并实现流程简化。实验表明,改进的方法在入侵检测准确上达到97.01%和96.92%的准确率相比于卷积神经网络算法的93.34%和92.54%有较高准确率。针对车联网对检测精度和实时性要求高的问题,本文提出基于Spark框架的分布式智能入侵检测方法。将改进的卷积神经网络与长短期记忆相结合,构建大数据分布式框架,并将ICNN-LSTM组合深度学习方法运行在Spark平台。实验表明,分布式组合深度学习方法在检测精度上分别达到99.7%和98.6%比卷积神经网络的94.9%和95.6%有明显的提升,在检测时间也有较好的表现。在上述研究工作的基础之上,本文设计并初步实现了一个车联网分布式智能入侵检测系统,通过数据采集、特征处理、分布式入侵检测,为车联网安全防护提供可靠保障。