El Internet de las cosas (IoT) es una tecnología habilitadora clave que recientemente ha recibido una atención significativa por parte de la comunidad científica a nivel global. Ayuda a transformar la vida de todos al conectar dispositivos físicos y virtuales entre sí para ofrecer beneficios asombrosos, como la automatización y el control, una mayor productividad, acceso a información en tiempo real y una mayor eficiencia. Sin embargo, los dispositivos IoT y sus datos acumulados son susceptibles a diversas amenazas de seguridad y vulnerabilidades, como la integridad de los datos, los ataques de denegación de servicio, la interceptación y la divulgación de información. En los últimos años, el IoT con tecnología blockchain ha experimentado un crecimiento rápido, donde los contratos inteligentes desempeñan un papel esencial en la validación de los datos de IoT. Sin embargo, estos contratos inteligentes pueden ser vulnerables y degradar el rendimiento de las aplicaciones de IoT. Por lo tanto, además de ofrecer características indispensables para facilitar la vida humana, también es necesario enfrentar los ataques de seguridad al entorno IoT, especialmente los ataques a la integridad de los datos. Con este objetivo, este documento propuso un modelo de sistema basado en inteligencia artificial con un doble objetivo. Primero, detecta al usuario malicioso que intenta comprometer el entorno IoT utilizando un problema de clasificación binaria. Además, se utiliza la tecnología blockchain para ofrecer almacenamiento a prueba de manipulaciones para almacenar datos de IoT no maliciosos. Sin embargo, un usuario malintencionado puede explotar el contrato inteligente basado en blockchain para deteriorar el rendimiento del entorno IoT. Para ello, este documento utiliza algoritmos de aprendizaje profundo para clasificar contratos inteligentes maliciosos y no maliciosos. El modelo de sistema propuesto ofrece un canal de seguridad de extremo a extremo a través del cual los datos de IoT se difunden al destinatario. Por último, el modelo de sistema propuesto se evalúa considerando diferentes medidas de evaluación que comprenden la precisión del entrenamiento, la pérdida de entrenamiento, las medidas de clasificación (precisión, recuperación y puntuación F1) y la curva característica de operación del receptor (ROC).