在制造物联的环境下,生产现场环境恶劣,因此必须把大量不同的传感器部署到制造业现场的各个地方来实时监控现场人、物料、设备、环境等数据。这造成了制造业中海量数据的产生,而用户感兴趣的只是一些有特定语义的高级事件,如何快速高效地从海量数据中提取出用户感兴趣的信息成为一个近年来的研究问题。为了从海量数据流中提取出用户感兴趣的信息,国内外各个学者提出了各种解决方案。这些方案大多数解决的是顺序的事件流,并认为进行复杂事件检测时所有事件均可以保存在内存中。但由于制造业现场环境的干扰、传输时网络的延时等原因,会造成数据流到达处理器时出现乱序的现象。并且随着部署在现场的感知节点的越来越多,数据量会呈爆炸性增长,把所有数据保存在内存中进行复杂事件检测已经不可能实现。针对制造业中异常事件检测中存在的问题,本文在分析研究了制造业现场数据的特征后,结合节点的分布式部署方案,提出了一种分布式的异常复杂事件检测框架,通过部署在现场的节点以及后端的服务器,快速地检测生产过程中发生的异常事件。为了更好地定义异常事件,本文对事件的紧急程度进行了划分,并提出了事件优先级在复杂事件检测中的应用。考虑到不同事件的不同紧急程度,通过对正常事件的分析,给出了事件优先级的判断准则,并通过一种改进的布隆过滤器,设计了一种高效的分布式事件优先级判断算法。根据传输到服务器中事件的优先级,本文提出了一种基于事件优先级的复杂事件检测算法。基于事件优先级,可以很好的进行内外存置换,有效地解决了海量事件不能完全保存在内存中的问题,并对乱序的事件流有一定的容错性,保证了在不按顺序传输的事件流也能进行正确的复杂事件检测。本文主要研究制造业物联网环境中的复杂事件检测,通过分析数据特征,提出了一种事件优先级判定算法,并根据事件优先级设计了一种基于事件优先级的复杂事件检测算法。最后通过与传统复杂事件检测算法的仿真比较,看出了此算法在制造业物联网环境下的高效性,并通过比较看出此算法在时间效率上相对传统复杂事件检测算法有较大的提高。