随着计算机、通信、自动控制等技术的蓬勃发展,传统的电力系统现已转变成智能高效的电力信息物理系统（cyber-physical systems,CPS）,这极大地提高了电网调度的决策效率。然而,由于信息网络与物理设备的深度融合,电力系统同时面临着诸多网络攻击的威胁。网络攻击的存在不仅会致使系统部分关键元件功能失灵,甚至能导致电网的整体瘫痪,给人类的生产生活带来难以估计的损失。虚假数据注入攻击（false data injection attack,FDIA）作为一种常见的网络攻击方式,因其具备极强的隐蔽性,往往能够对电力系统造成较为严重的后果。攻击者利用电网拓扑信息精心构建隐蔽性攻击向量,从而绕过传统不良数据检测机制恶意篡改量测数据,严重影响到电力CPS的安全稳定运行。因此,针对电力CPS中的FDIA,深入研究有效的攻击检测方法具有重大现实意义。本文针对电力CPS中的FDIA检测问题,主要完成以下工作:（1）对电力系统进行建模,并根据电力系统中的参数组成等基础知识来构建攻击向量。首先,针对电力系统的特性,建立状态空间模型。然后,分析了FDIA的攻击机理,并构建出攻击向量。最后,将扩展卡尔曼滤波（extended Kalman filter,EKF）动态估计算法应用到电力系统中对系统状态进行精确估计,与加权最小二乘（weighted least squares,WLS）法进行对比实验,为攻击检测奠定了基础。（2）针对EKF在状态估计中存在的精确度低、稳定性差等问题,进一步提出了基于迭代扩展卡尔曼滤波（iterative extended Kalman filter,IEKF）算法的FDIA攻击检测方法。首先,基于霍尔特-温特方法对电力系统负荷进行预测,并建立系统的状态方程和量测方程。其次,通过IEKF动态估计算法对系统状态进行精确估计。然后,依据攻击前后状态量的变化,设计了一种针对电力CPS中FDIA的状态残差分析检测算法。最后,利用IEEE-14节点系统进行仿真实验,对实验结果进行对比分析,验证了基于IEKF估计的状态残差分析检测算法的可靠性。（3）由于基于状态估计的检测方法存在阈值设定的影响,因此考虑机器学习算法在处理二分类问题上的优势,更进一步提出了一种基于随机森林（random forest,RF）的新型FDIA检测方法。首先,构建隐蔽性攻击向量发起攻击,将采集到的样本分为正常与异常两类。其次,通过核主成分分析（kernel principal component analysis,KPCA）法对所有样本数据进行降维等预处理。然后,利用基于RF的分类器对电力系统的测试集数据进行分类处理,检测出FDIA。最后,通过仿真实验得出分类结果,结果表明基于KPCA-RF的检测方法相比于决策树（decision tree,DT）、支持向量机（support vector machines,SVM）等同类型算法具备更短的检测时间和更高的检测精度。