随着我国分布式能源渗透率的不断增长及电价机制的不断完善,智能配电网的复杂性和不确定性也不断攀升。其中广泛存在的终端馈线单元（FTU,Feeder Terminal Unit）及智能电表所面临的虚假数据注入、窃电等安全性问题也不断加深。在这样的背景下,安全的电力数据传输、防止虚假数据注入、精确检测窃电将是保障配电网安全性、电力交易公平性、配电网经济性的重要条件。本文从FTU及智能电表两类终端出发,研究了在配电网智能化、DG渗透率不断攀升的背景下,FTU数据篡改及智能电表窃电问题。首先研究了配电网节点电价（DLMP,Distribution Local Marginal Price）的计算与产消者基于利润驱动的攻击行为,以评估配电网的数据篡改风险。而后研究了电力数据的加密方案及窃电检测具体方案以维护电力数据的安全性。本文主要研究工作如下:（1）建立了一种基于极限学习机的配电网节点电价计算模型,以快速地计算DLMP。测试集实验证明,文中所提出的配电网节点电价计算模型同时具备高效性与准确性,测试集均方根误差为0.0004。（2）建立了一种基于深度强化学习（DQN）的智能配电网产消者虚假数据注入攻击模型。首先建立了产消者基于DLMP的利润模型,在此基础上,结合DQN模型建立了产消者的攻击模型,以分析产消者在利润驱动下的攻击意图。之后根据其攻击意图对配电网数据篡改风险做出评估。通过算例验证了攻击模型的及风险评估的有效性。算例表明,产消者通过虚假数据注入攻击篡改FTU数据后,将获取约10%的超额利润;根据风险评估的结果,抵御高风险时段攻击可使配电网产消者超额利润降低约35%;抵御高风险节点攻击可使之降低约60%;（3）提出一种基于Paillier加密算法及混沌理论的FTU电力数据加密方案。首先介绍Paillier加密算法及混沌理论的相关概念,在此基础上建立了对应的电力数据加密方案,以防止数据遭受篡改。实验表明,该加密算法能够有效地对FTU电力数据进行加解密,具有一定的有效性与安全性;（4）建立了基于果蝇算法及卷积神经网络的智能电表窃电检测模型。首先介绍了窃电问题的特征,在此基础上结合果蝇算法及卷积神经网络提出一种基于历史用电数据的智能电表窃电检测模型。基于美国Pecan Street公开数据库实验证明了该模型的有效性,测试集准确率达96.3%,比传统神经网络、ELM极限学习机在相同条件下的识别率分别高出6.7%及12.8%,具有更优的泛化能力与实际意义。