信息物理融合系统（Cyber-Physical systems,CPS）是工业物联网的基本组成部分,在“工业4.0”和“中国制造2025”中扮演着至关重要的角色。它通过使用传感器、计算机和网络技术,将信息系统和网络系统有效的整合起来。近年来,随着工业化和信息化的深度融合,CPS应用高速增长,但CPS的安全防护技术的研究较为缓慢,CPS的安全面临着严峻挑战。入侵检测是一种主动的防御技术,被广泛应用于传统信息系统当中,它可以在攻击行为入侵系统前,对网络流量进行检测并预警,同样它也可以为CPS的网络侧提供实时监测。本文以信息物理融合系统入侵检测为背景,使用智慧电网这一CPS典型应用的网络数据作为支撑,结合信息物理融合系统入侵检测需求与机器学习技术,分析现有技术存在的缺陷,研究适用于信息物理融合系统的入侵检测方法。本文的主要内容包括:（1）明确了信息物理融合系统的结构特点,分析了针对信息物理融合系统的主要攻击和威胁类型,比较其与传统信息网络区别。阐述了基于机器学习的信息物理融合系统入侵检测技术的流程及要点,确定了入侵检测算法的评判标准。介绍了用于本文仿真实验的数据集。（2）为了满足信息物理融合系统对高实时性和高准确性的要求,结合极限树算法建模及预测时间较短和集成算法准确率较高的特点,提出了基于堆叠极限树（SET）的信息物理系统入侵检测方法。针对单棵极限树随机性过强导致的准确率不稳定问题,采用Stacking集成算法框架,堆叠多颗不同的极限树,在保证算法实时性的基础上提高稳定性。使用Weka进行建模与仿真,使用准确度、精确率和召回率等指标,在Power System Dataset二分类数据集上与其他机器学习模型进行比较,证明所提算法的优越性。（3）进一步,将信息物理融合系统入侵检测从二分类问题推广至多分类问题,对上述算法进行优化,提出了一种结合相关性特征的堆叠极限树二叉集成算法（CFS-SETBT）,满足信息物理融合系统入侵检测更详细的分类要求。多分类问题特征量大,数据维度高,从而导致算法运行时间劣化,不能满足系统实时性要求。提出结合相关性特征选择,去除不相关和冗余特征,保证算法的实时性。另外,针对多分类数据不平衡的问题,引入二叉树结构方法,并结合上采样与下采样的数据处理技术,解决算法在多分类问题中少数类准确率不高的问题。将CFS-SET-BT算法使用Power System Dataset的多分类数据集进行仿真实验,并对其实验结果进行比较和总结。