在制造物联网生产环境下，各种类型的感知设备用于监控生产过程、流程、对象变化等，从而产生了大量的原始数据。但是这些数据的准确性会受到生产环境、硬件属性、网络技术的影响，因此，感知节点产生的数据具有不确定性、海量多源性以及高时空关联性等特点。这些数据特点加重了复杂事件检测的负担，并且随着数据量的增加，数据的实时检测能力有所下降。对制造企业来说，不能及时掌握生产动态，就不能及时发现生产过程中存在的问题。　　通过对制造物联海量数据流处理中难点的研究分析，结合制造业生产中的工业要求，本文提出了相应的复杂事件检测算法。首先，针对不确定海量数据流因组合数量过大导致难以实时高效检测的问题，本文利用非确定性有限自动机结合匹配树，提出一种制造物联网面向不确定数据流的复杂事件检测算法。通过将不确定数据流的概率值和阈值比较，进而筛选出有价值的信息，以达到在内存空间占用上有所优化，在事件检测效率上有所提高的目的。其次，针对制造物联中海量事件检测过程中出现的拥塞导致事件不能及时检测或不必要事件占用过多资源的现象,本文提出一种基于优先级的哈希结构复杂事件检测算法,该算法综合考虑了事件必要性、处理时间、等待时间这三种因素,对各个原子事件计算优先级,采用事件优先级调度策略,以达到事件模式匹配及检测能及时执行的目的。　　本文对制造物联海量数据流复杂事件算法进行研究，在VC6.0中模拟数据流的产生，利用实验结果图和数据集将本文所提出的算法和经典的算法进行比较。仿真实验通过　　控制数据生成器中参数的值，来检测事件检测算法的检测时间、内存消耗和吞吐量随事件数量的变化趋势。实验结果表明，在数据量相同的条件下，相较经典算法，本文所提出的算法检测时间短、内存消耗低、吞吐量高。以上的三个指标在数据量越大的情况下，本文所提的算法就越有优势。因此，将本文所提出的算法应用于制造物联企业中，能有效提高复杂事件检测的实时性，有助于企业在生产过程中对监控对象的变化在更短的时间内做出响应，以及时解决生产过程中面临的问题。因此，该算法的研究为制造物联技术领域做出了一定的贡献。