El Internet de las Cosas (IoT), una tecnología en rápido desarrollo, conecta entidades a Internet a través de dispositivos y redes de detección de información. Recientemente, el IoT ha ganado una amplia aplicación en la vida diaria y el trabajo debido a su alta eficiencia y conveniencia. Sin embargo, con el rápido desarrollo del IoT, los sistemas son cada vez más frecuentemente intrusados por usuarios malintencionados y hackers. Como resultado, la detección de intrusiones ha atraído una atención significativa, y se han propuesto numerosos esquemas que pueden identificar con precisión operaciones de intrusión maliciosas. Sin embargo, los esquemas existentes sufren de varios desafíos severos, como baja precisión, alto costo computacional y pobre rendimiento en tiempo real, en el procesamiento de datos de tráfico de red IoT a gran escala, de alta dimensionalidad y temporalmente correlacionados. Para abordar estos desafíos, proponemos un nuevo esquema de detección de intrusiones para IoT en este documento. Específicamente, primero mejoramos la Unidad Recurrente de Puerta (GRU) tradicional y diseñamos un nuevo modelo de red neuronal, llamado Unidad Recurrente de Puerta Suplementaria Profunda (DSGRU). Este modelo comprende una Unidad Recurrente de Puerta Original (OGRU), una Unidad Recurrente de Puerta de Decodificación (DGRU) y una función de activación Softmax. En comparación con el GRU tradicional, nuestro DSGRU propuesto puede extraer de manera más eficiente características de los datos de tráfico de red IoT y reducir la pérdida de características causada por transformaciones no lineales durante el proceso de aprendizaje. Posteriormente, adoptamos DSGRU para diseñar un nuevo esquema de detección de intrusiones para IoT. También analizamos la complejidad computacional teórica del esquema propuesto. Finalmente, implementamos nuestro esquema propuesto de detección de intrusiones y evaluamos su rendimiento basado en los conjuntos de datos UNSW-NB15 y NSL-KDD. Los resultados experimentales demuestran que nuestro esquema de detección de intrusiones basado en DSGRU propuesto logra un mejor rendimiento, incluyendo en términos de, valor de pérdida y eficiencia.