随着技术的发展以及物联网设备的普及,为大规模的数据感知提供了机会,监测环境变化,定位事件发生的地点和时间成为亟待解决的问题。信息溯源,即通过分析数据空时分布情况,确定事件发生的空间和时间位置信息的技术或方法。掌握数据的空时分布特征,对于信息溯源结果有直接影响。因此,本文通过场重构技术实现信息溯源;同时,为准确估计环境中的事件特征,提高溯源结果可信度,还需增设一种检测预警机制。本文提出一种基于场重构的事件检测与信息溯源方法。学习数据的空时相关性实现场重构,根据场重构输出结果建立用于事件检测的置信区间;并根据检测结果在空间中进行网格化搜索,找到事件发生位置;恢复事件发生位置的时序数据定位事件发生时间。本文的主要研究内容如下:1.提出了基于高斯过程的空时场重构方法。研究了高斯过程基本原理,通过仿真实验分析常见核函数的基本性质,总结了模型选择的方法,以及高斯过程在空时场重构中的超参数难以估计的问题;由于谱混合核可以实现数据的自动模式发现与外推,以及复杂变化规律的学习,且可以避开超参数估计问题。因此,利用谱混合核对模拟空时数据进行实验,验证该方法在空时场重构的性能。2.提出了一种基于场重构的事件检测方法。高斯过程的输出结果具有概率意义,利用空时场重构得到的预测均值与标准差构建了95%的置信区间。同时,对当前时刻的数据进行空间场重构。最后,根据置信区间对空间场的度量结果,实现事件检测。3.提出了一种基于场重构实现事件发生的空间和时间位置回溯的方法。高斯过程不仅可以恢复数据的空间原始样貌,还可以对各空时点的数据做出估计和预测。对空间场进行网格搜索实现环境中事件源空间位置的估计;同时,恢复估计位置的时序数据,实现事件发生时间的识别。4.最后,利用Intel Berkeley Lab的温度数据对本文提出的方法进行试验验证。首先对该实际数据集进行了预处理和分析,再利用高斯过程实现了温度场预测、事件检测与信息溯源,达到了本文对事件源的空时位置回溯的目的。