随着人工智能的飞速发展,越来越多的信息物理系统（Cyber Physical Systems,CPS）使用机器学习完成特定任务,这类系统也被称为智能CPS系统,如自动驾驶系统。考虑到智能系统的特性,一方面系统的开发对于数据的质量有较高要求,另一方面需要在系统模型中建模出人工智能的属性及神经网络模型等内容,传统的系统工程已不能满足智能系统的开发和建模的需要,智能系统建模成了学术界和工业界的研究热点,但是这方面的理论和技术较不完整。针对以上问题,本文提出时空轨迹数据驱动和模型驱动协同的智能系统建模方法,首先,提出了时空轨迹数据元建模技术体系,用于获取高质量数据。然后,通过对Sys ML（Systems Modeling Language）做扩展,设计并实现了智能系统建模语言Sys ML4AI（Systems Modeling Language for Artificial Intelligence）。最后,结合自动驾驶场景识别智能组件建模的案例研究,介绍了时空轨迹数据驱动和模型驱动协同建模智能系统的使用,展示了本文方法的实用性和易扩展性。本文的主要创新点如下:1.为了获取高质量领域数据,本文提出基于MOF（Meta-Object Facility）的时空轨迹数据元建模技术体系,指导数据建模及工具开发。抽象出时空轨迹元数据结构用于定义数据的组成部分,定义了十二维时空轨迹数据元模型用于表示数据的领域知识,设计了时空轨迹数据高质量管理辅助获取高质量时空轨迹数据,最后介绍了时空轨迹数据预处理工具。2.为了支持智能系统的建模,本文提出了基于扩展Sys ML的智能系统建模语言Sys ML4AI。首先从构造型和元模型两个角度实现对模块图的扩展,添加新的构造型以建模智能组件的类型,在元模型中添加AIComponent以建模智能组件中的人工智能信息;然后在内部模块图的元模型中添加新的端口类型,以支持建模复杂的内部结构;最后在Sys ML4AI语言中添加一种新的结构图:人工神经网络图（Artificial Neural Networks Diagram）,并给出详细的元模型,以支持对神经网络结构的建模。并且设计了基于微服务的智能系统架构设计,及智能组件组合方式。同时,本文也开发了Sys ML4AI建模工具,支持以上技术的实现。3.为了实现数据驱动和模型驱动协同的自动驾驶系统建模,基于上述工作,本文设计了协同的自动驾驶闭环模型,并结合场景识别案例研究如何建模智能系统的智能组件。首先使用Carla仿真器生成时空轨迹数据集,并通过数据预处理技术得到高质量时空轨迹数据;然后设计并实现了自动驾驶场景识别算法和神经网络模型的构建;最后使用Sys ML4AI语言实现场景识别的模块图建模、内部模块图建模以及神经网络结构图的建模,其中对于神经网络的建模,是基于数据驱动的模型训练结果,从而实现协同建模。