随着通信技术的快速发展,现代电力系统已经转变成了电力信息物理系统（Cyber Physical System,CPS）。信息流的交互使得电网的运行效率增加,但同时也增加了攻击者实行交互攻击的途径,使得电网面临着极大的安全问题,如何对电力CPS的网络攻击进行有效检测和分类成为了一个重要的研究课题。针对当前电力CPS网络攻击检测及分类模型中攻击数据存在时序相关特征、特征高维以及模型参数整定等问题,本文基于数据驱动的方法,分别建立了电力CPS网络攻击的检测模型和分类模型。主要取得以下研究成果:1)现有的电力CPS网络攻击的检测方法大多采用智能算法,但存在攻击数据样本不完备的缺陷,由于智能算法在训练时需要正常数据和攻击数据,因此攻击数据不完备时会导致检测精度偏低。此外,其大多未考虑时间相关性和样本局部特征,泛化能力较低。为了解决上述问题,本文提出一种基于流形学习的电力CPS网络攻击检测模型,该模型仅需采集电网正常运行情况下的历史量测数据,即可建立离线模型得到一个T~2统计限,将实时数据得到的统计量与该统计限进行对比,若超过统计限,则说明存在网络攻击,最后通过实例验证该模型具有良好的检测效果。2)针对当前电力CPS网络攻击数据存在高维特征,模型参数整定问题,本文提出一种基于稀疏自编码器-粒子群优化-随机森林（SAE-PSO-RF）的电力CPS网络攻击分类模型。采用的数据为包含自然突发事件以及多种网络攻击事件,首先基于稀疏自动编码器,对数据进行层次化特征提取,得到低维特征数据,然后使用粒子群优化算法进行参数自整定,最后通过随机森林对数据进行分类识别。给出的模型具有较好的实用性,实验结果表明所提模型不仅能够有效地区分各类攻击,同时也能区分突发事件和网络攻击事件,分类效果比传统的机器学习模型更好。3)设计了电力CPS网络攻击检测和分类的软件系统,该系统通过人机交互界面就可以实现数据选择、网络攻击检测和网络攻击分类功能。本文首先对软件系统的架构和功能进行了详细的说明,并给出了最终的设计成果。