近年来,随着信息技术的高速发展,CPS(Cyber-Physical System)特别是基于自组织网络的CPS系统以其灵活性、实用性得到了广泛关注。然而自组织CPS系统具有结构复杂、数据量大的特点,这也使得这类系统在国民经济生活的应用中,尤其在工业控制或应急系统等复杂网络的应用中面临着巨大的挑战。针对CPS系统的复杂性这一特点,能否对大量异类信息进行有效分析处理,将对网络性能产生举足轻重的影响。传统的信息融合算法大多着眼于对同类数据进行融合,虽然能够有效减小网络负载,然而在复杂系统事件的判断决策中是远远不够的。本文将数据融合技术应用于自组织CPS系统,分析总结了现有信息融合算法的特点,并对几种典型算法进行了总结分析。在明确现有融合算法的缺点后,本文结合自组织CPS系统结构复杂、数据量大、数据类型多的特点,基于数据的时间相关性、空间相关性以及属性相关性,首次提出了同时包含时间融合、空间融合以及属性融合的STAC (Spatial-Temporal-Attribute Correlation)算法—这也是本文的主要创新点。该算法在概念格和加权贝叶斯的理论支持下,首先对大量原始数据进行时空融合,进而根据时空融合数据的属性进行属性融合,最终形成有综合意义的事件数据。本课题的另一主要创新点为：在对STAC算法原理及实现过程的详细阐述后,本文基于NS2仿真平台设计了相应自组织CPS系统场景,并对STAC算法进行了仿真验证。仿真结果表明,该算法在减小网络负载的同时,能够准确预测CPS网络事件类型,有效实现CPS的智能闭环控制,对多源异类信息融合技术做出了一定的贡献。