近年来,随着5G通信技术和人工智能技术的发展,物联网得到了快速发展,并广泛应用于智能家居领域。然而,其给人们的生活带来便利的同时也面临多种网络恶意攻击,并存在通信过程中泄露用户隐私的安全问题。针对传统的入侵检测算法在处理海量、高维的网络流量数据时检测率低、误检率高的问题,本文融合卷积注意力模块和卷积神经网络,提出了智能家居入侵检测网络架构;并针对由不平衡数据带来的少数类攻击检测率低的问题,提出了基于对数双曲余弦条件变分生成对抗网络的数据增强算法,通过均衡入侵数据集,有效提升入侵检测算法的整体性能,特别是对少数类攻击的检测率。本文的主要工作如下:（1）针对传统算法面对海量、高维的网络流量数据性能不佳的问题,提出基于卷积神经网络的入侵检测网络架构,具体包括网络流量数据预处理和网络入侵检测两部分。网络流量数据预处理部分的核心是将流量数据由一维的矢量数据格式转化为二维的矩阵数据格式,提高相邻特征之间的数据连续性,继而有利于提高入侵检测算法的性能。该部分还包括基于One-hot编码的字符型特征数值化、数值型特征最大最小归一化和基于栈式降噪自编码器的流量数据特征降维。网络入侵检测部分融合卷积注意力模块和卷积神经网络来构建智能家居入侵检测模型。其中卷积注意力模块能够从通道和空间维度上有效提取网络流量特征,提高模型的入侵检测性能;通过引入批归一化层,改善模型在训练过程中由数据分布变化而带来的模型性能恶化问题;通过加入Dropout层,防止模型在训练过程中发生过拟合现象。实验证明,本文提出的入侵检测模型相比于传统算法,在准确率、精确率、检测率和F1分数上均取得了较好的效果。（2）针对入侵检测算法对少数类攻击检测率低的问题,提出了基于对数双曲余弦条件变分生成对抗网络的数据增强算法,通过在算法中引入对数双曲余弦重建损失函数,来平衡流量数据的生成和重建的过程,提高数据的生成质量。并通过将数据增强算法嵌入入侵检测网络架构中,来对含多种攻击的网络流量数据集进行均衡,以提升模型的整体性能和对少数类攻击的检测性能。实验证明,入侵检测模型对R2L和U2R两种少数类攻击的检测率分别提升了22.84%和0.5%,且整体检测准确率提升了1.15%,精确率提升了2.37%,检测率提升了1.15%,F1分数提升了2.51%,误检率降低了0.97%。本文研究的入侵检测算法可部署于智能家居网关处,为智能家居的入侵检测提供理论和技术支持。