Como tecnología eficaz de protección de la seguridad, la tecnología de detección de intrusiones se ha utilizado ampliamente en los entornos tradicionales de redes de sensores inalámbricos. Con el rápido desarrollo de la tecnología de redes de sensores inalámbricos y de las aplicaciones de estas redes, el tráfico de datos de las redes de sensores inalámbricos también crece rápidamente, y aparecen diversos tipos de virus y ataques. Basándonos en las características de correlación temporal del conjunto de datos de detección de intrusiones, proponemos un modelo de detección de intrusiones basado en la multicorrelación para redes de sensores inalámbricos con memoria a corto y largo plazo. El modelo selecciona el subconjunto óptimo de características mediante el módulo de selección de características de ganancia de información, convierte el subconjunto de características en una matriz TAM utilizando el algoritmo de análisis de multicorrelación e introduce la matriz TAM en el módulo de redes de sensores inalámbricos de memoria a largo y corto plazo para el entrenamiento y la prueba. Para resolver los problemas de baja precisión de detección y alta tasa de falsas alarmas de los modelos tradicionales de detección de intrusos en redes de sensores inalámbricos basados en aprendizaje automático, se propone un modelo de detección de intrusos en redes de sensores inalámbricos que combina una red de sensores inalámbricos bidireccional con memoria a corto y largo plazo y un clasificador C5.0. El modelo utiliza primero la capa oculta de la red de sensores inalámbricos y la capa oculta de la red de sensores inalámbricos. El modelo utiliza en primer lugar la capa oculta de la red bidireccional de sensores inalámbricos con memoria a corto y largo plazo para extraer las características del conjunto de datos de detección de intrusiones y, por último, introduce las características extraídas en el clasificador C5.0 para su entrenamiento y clasificación. Con el fin de ilustrar la aplicabilidad del modelo, el experimento selecciona tres conjuntos de datos diferentes como conjuntos de datos experimentales y lleva a cabo el análisis de rendimiento de simulación a través de experimentos de simulación. Los resultados experimentales muestran que el modelo obtuvo mejores resultados de clasificación.