گسترش روزافزون فناوری اینترنت اشیاء و افزایش تعداد تجهیزات متصل به شبکه، چالش‌های امنیتی متعددی را در زمینه حفاظت از زیرساخت‌های ارتباطی به وجود آورده است. محدودیت منابع محاسباتی دستگاه‌های اینترنت اشیاء و تنوع الگوهای حملات سایبری، استفاده از روش‌های هوشمند برای تشخیص نفوذ را به یک ضرورت تبدیل کرده است. در این پژوهش، عملکرد معماری‌های مختلف یادگیری عمیق شامل شبکه‌های عصبی کانولوشنی ، شبکه‌های عصبی عمیق ، حافظه طولانی کوتاه‌مدت و مدل ترکیبی CNN-LSTM در شناسایی ترافیک مخرب در محیط‌های اینترنت اشیاء مورد ارزیابی قرار گرفته است. پس از انجام مراحل پیش‌پردازش داده‌ها و انتخاب ویژگی‌های مؤثر، مدل‌های مورد نظر آموزش داده شده و با استفاده از معیارهای صحت، دقت، فراخوانی و امتیاز F1 مقایسه شدند. نتایج حاصل نشان داد که معماری CNN دو لایه در مقایسه با سایر مدل‌های بررسی‌شده عملکرد مطلوب‌تری ارائه داده و توانسته است با دستیابی به مقادیر بسیار بالا در معیارهای ارزیابی، الگوهای حملات را با دقت قابل توجهی شناسایی کند. همچنین بررسی تأثیر تعداد لایه‌ها و تنظیم فراپارامترها نشان داد که انتخاب مناسب ساختار شبکه نقش مهمی در بهبود کارایی و کاهش هزینه محاسباتی دارد. یافته‌های این پژوهش بیانگر ظرفیت بالای مدل‌های یادگیری عمیق، به‌ویژه شبکه‌های عصبی کانولوشنی، در توسعه راهکارهای کارآمد تشخیص نفوذ برای شبکه‌های اینترنت اشیاء است.