建立在不同处理器架构上的物联网（Io T）设备已日益成为对抗性攻击的目标。本文针对物联网领域的恶意程序分类问题提出了一种算法,以应对日益严峻的物联网安全威胁。应用程序执行由连续的API调用序列表示。基于改进的信息增益子序列特征提取方法,对样本数据的API调用序列进行分析和过滤。根据实验结果,在有效减少输入样本数据的序列长度的同时保留序列数据中的重要信息,它比卡方统计更有效。随后,我们提出了基于多层卷积神经网络的IG-CNN分类模型对各种类型的物联网恶意程序进行分类,适用于处理时间序列数据。当卷积窗口沿时间序列向下滑动时,它可以通过收集不同的序列特征来获得更高级别的位置,从而了解相应序列位置的特征。为了可让神经网络在训练过程中提高收敛速度,我们基于Tensor Flow实现了随机方差约简梯度优化算法。对比不同的梯度优化算法的迭代效率,随机方差约简梯度优化算法可明显加快IG-CNN在训练时的收敛速率。综合迭代效率和分类性能表现,我们选择了一种算法,该算法可以将最优解近似为少量迭代,以提升模型训练的收敛速率,同时可以保证较高的分类准确度。现实世界中的物联网恶意程序家族分类的实验结果表明,这种方法的分类准确性可以达到98%以上,并具备一定程度的抗干扰能力。总体而言,我们所提出方法经过全面评估,表明了其具有高准确性和较低计算开销的物联网恶意程序家族分类的实际适用性,拥有很好的应用前景。