随着配电物联网泛在感知技术的提速发展,海量安全监测数据呈现出多源异构的特点,通过对多源异构安全监测数据进行聚合分析,可以获取安全监测数据的类别信息,有助于配电物联网安全态势的感知与处理。然而,如何对海量的多源异构安全监测数据进行有效的聚合分析并从中提取有用的信息,仍然是当前所面临的难题。本文聚焦于配电物联网多源异构安全监测数据的聚合模型与算法,基于对抗性领域自适应网络设计了一种对抗式的多源异构数据聚合模型,实现了多源异构安全监测数据的有效分类聚合,并考虑数据的特征空间与标签空间同时存在异构性,进一步提出了动态异构数据转换策略,改善了数据聚合模型的泛化性与鲁棒性,最后针对多源领域数据贡献程度差异问题,设计了细粒度多源子网络结构,提高了数据聚合的精确性。主要研究内容包括:（1）基于对抗性域适应的多源异构数据聚合模型传统的基于机器学习的数据聚合模型主要采用大量含标签的数据进行训练,过于依赖高质量标注和强计算能力以构筑模型,无法适用于配电物联网在实际应用过程中遇到的不含标签的多源异构数据。设计了一种基于对抗性领域自适应网络的对抗式多源异构数据聚合模型。在特征提取器中对数据的异构特征进行转换,并通过领域判别器和标签分类器对多源数据进行分类聚合,提高了基于机器学习的数据聚合模型对于多源异构数据的适应性。（2）基于异构域适应的动态异构数据转换策略配电物联网安全监测数据不仅具有各种不同的模态结构,还处于不断的变化中,此时不但数据的特征空间会存在异构性,标签空间也会有所差异。考虑到异构特征空间与异构标签空间对数据聚合过程的影响,设计了一种动态异构数据转换策略,对特征提取器和领域判别器进行优化,通过两层映射神经网络对异构特征进行灵活地转换,并引入了类别权重参数与动态因子解决类别不均衡与数据分布重要性不同的问题,实现了对异构数据的细粒度分布对齐,改善了模型的泛化性与鲁棒性。（3）基于多源域适应的细粒度多源子网络结构每个源域数据对目标域的贡献程度往往不同,单一领域判别器和标签分类器应用于多个源域的异构数据时,很难达到理想的数据聚合效果。设计了一种细粒度子网络结构,对领域判别器和标签分类器进行优化,通过构建多个细粒度的子网络结构分别对齐每个源域和目标域间的数据分布,并针对每个源域贡献度不同的问题引入了领域权重参数,使模型能够更好地利用高相关性源域,从而避免发生负迁移,提高了模型的精确性。