随着信息物理系统(Cyber-Physical System)及其相关技术在实际社会生产生活中的广泛应用,CPS安全问题受到社会各界越来越密切的关注。大规模的CPS应用场景,导致了系统不确定性的激增,系统的不确定性预示着CPS的安全不仅仅与系统设计时的规范有关,更需要考虑到不确定发生的稀有事件(Rare Events)对CPS安全性的影响。CPS在安全攸关的领域的应用,如航空航天、武器装备、医疗设备等,一旦发生安全性问题,将严重威胁到人们的生命、财产安全。上述事实的存在,对不确定的稀有事件造成的CPS安全问题进行验证就显得尤为重要。本文实现了基于统计模型检验的CPS稀有事件状态序列采样技术,来获取CPS稀有事件训练样本集。在得到的样本集基础上,设计了基于隐马尔可夫模型的稀有事件预测方法,实现了对CPS稀有事件发生概率的预测。在基于统计模型检验的CPS稀有事件状态序列采样技术和基于隐马尔可夫模型的稀有事件预测方法的基础上,本文设计了一种基于统计模型检验的CPS稀有事件预测框架。该框架以CPS混成自动机模型和CPS属性规约为输入,通过模型转换实现在Simulink中的实时仿真。在CPS实时运行过程中,一方面,基于统计模型检验的CPS稀有事件状态序列采样技术通过构造最优采样分布,拟合出得到稀有事件状态序列最大期望与初始状态的函数关系,来提高采样的效率;另一方面,基于隐马尔可夫模型的稀有事件预测方法选取采样得到的稀有事件状态序列进行隐马尔可夫模型的训练,并通过AUC(Area Under Curve)的方法对隐马尔可夫模型进行评估。达到评估要求的隐马尔可夫模型会根据CPS当前的状态序列,输出该序列会演进成为稀有事件状态序列的概率。本文结合实例,通过实验验证了基于统计模型检验的CPS稀有事件预测框架的可行性,并通过对比实验表明了该框架中的相关技术的优势。