Con el desarrollo de la tecnología de Internet de los Vehículos (IoV), el automóvil ya no es un individuo cerrado. Intercambia información con una red externa, comunicándose a través de la red montada en el vehículo (VMN), lo que inevitablemente da lugar a problemas de seguridad. Los atacantes pueden intrusar en la VMN, utilizando una red inalámbrica o dispositivos de interfaz montados en el vehículo. Para prevenir tales ataques, se han propuesto varios métodos de detección de intrusiones, incluidos los basados en redes neuronales convolucionales (CNN). Sin embargo, el método de CNN existente no fue capaz de aprovechar al máximo la capacidad de la CNN para extraer datos bidimensionales en forma de gráficos, y al mismo tiempo, reflejar las conexiones temporales entre los datos secuenciales. Por lo tanto, este documento propuso un nuevo modelo de CNN, basado en la codificación de patrones Mosaico bidimensionales, para la detección de anomalías. No solo puede aprovechar la capacidad de una CNN para extraer datos de cuadrícula, sino también mantener la relación temporal secuencial de los mismos. Las simulaciones mostraron que este método podría distinguir de manera efectiva los ataques de la información normal en la red vehicular, mejorar la fiabilidad de la discriminación del sistema y, al mismo tiempo, cumplir con el requisito de detección en tiempo real.