汽车信息物理系统(Automotive Cyber Physical Systems，ACPS)自提出以来，受到全世界范围科学研究人员的广泛关注，是汽车产业信息化及发展程度的重要衡量标准之一。近年来，无人驾驶汽车、智慧城市、物联网等得到迅速发展，为ACPS研究工作的开展奠定了良好的基础。然而ACPS集成了离散的计算过程、连续的物理系统、复杂的通信网络，与传统的嵌入式系统存在本质差别，且随着经济生活水平的提高，人们对汽车的舒适性、可靠性、稳定性提出了更高的要求。如何高效设计实现ACPS，在保证系统稳定可靠的前提下最大化优化系统，是ACPS相关研究人员共同面临的难题。　　ACPS通过网络联接信息与物理部分，不仅包含信息系统所涉及的计算机科学、电子工程、网络通信等知识，还涉及工程机械的工作原理。单纯的采用信息科学的设计知识或物理知识实现ACPS的开发是不现实的，如何选取一种有效的开发模式成为了必要。其中基于模型驱动的开发方法(Model Driven Development，MDD)是ACPS相关人员的重要研究内容之一。但ACPS包含各种不同的异构系统，计算过程的离散与物理系统的连续存在本质上的差异，如何解决模型的不一致性等问题是ACPS建模必须逾越的障碍。另外，研究人员发现ACPS中的经验数据与系统的设计及功能属性的验证存在密切联系，且随着数据挖掘及降维技术的发展，能够用于设计分析的数据越来越多。因此，与传统的建模方法不同，本文从ACPS的经验数据出发，以实现离散数据与连续系统的深度融合及保证系统稳定性属性为主要目标，解决ACPS建模及验证过程中所面临的难题。　　主要的工作及创新点如下:　　(1)针对ACPS包含的离散与连续模型不一致问题，提出了一种基于数据驱动的ACPS建模方法。离散的计算过程与连续的物理系统共存是ACPS的主要特点，但它们考虑问题的角度不同，且建模方式存在巨大差异。前者通常采用PETRI网、状态机、AADL等计算机领域所通用的建模语言，后者则主要使用微积分方程、数学表达式的方式来实现。为了解决两种模型存在的差异，文章对ACPS测试获得的经验数据进行分析，提出从离散的经验数据出发，通过数据处理的分组方法(GMDH)建立系统连续模型。数据是ACPS所有子系统必须处理的对象且表现出一定的关联性，通过提出的数据建模方法，实现ACPS信息系统与物理过程的深度融合，即离散到连续系统的建模过程(Discrete-Continuous Modeling，DCM)。在加州大学欧文分校提供的测试数据集基础上进行实验，对提出建模方法的有效性进行了验证。　　(2)针对离散数据与连续模型存在误差的问题，提出了带反馈机制的控制算法调整数据，达到缩小两者误差的目的。该算法从建模方法本身出发，对比DCM计算所得的因变量与离散数据，如发现两者之间存在的误差大于设定的阈值，则交换因变量和最强影响因子的位置，即将最强因子当做因变量，重新建立系统的连续模型，在新模型中计算新因变量（即最强影响因子）的值反馈至离散数据，并将其再次作为自变量，重新建立关于原始因变量的连续模型，反复调节直至两者之间的误差小于一定的阈值。从处理结果来看，该算法在DCM基础上实现模型优化;从处理对象来看，实现了离散-连续-离散的建模过程(Discrete-Continuous-Discrecte Modeling，DCDM)，且将问题本质回归至对离散数据的处理，为离散的计算机技术的应用提供帮助。　　(3)针对ACPS数据基于时序的特点，提出了一种伪邻近点法与C-C法相结合的联合算法(FCC)对数据进行预处理。数据预处理是有效利用数据分析系统性能的前提条件，相空间重构将基于时间的数据序列按照指定的嵌入维度和时间延迟排列，是数据处理的一种常见手段。针对C-C法默认取嵌入维度为2-5，与实际系统存在差距的问题。本文提出将伪邻近点法求得的嵌入维度m作为C-C法计算时间延迟t的重要参数，根据需要对时间延迟的求解提出改进，将获取的ACPS数据按FCC法重构。在实测数据的基础上进行实验，结果表明提出的FCC法不仅能得到最佳的嵌入维度与时间延迟还具有一定的去噪功能。　　(4)针对ACPS的稳定性问题，提出了一种基于关联维度的稳定性验证方法。传统的验证包括仿真测试、形式化方法等都需要预先估计系统分析所需的先决条件，这在复杂的ACPS中难以实现。而关联维度是分形几何与混沌系统的概念，大量研究表明维度与系统所呈现出的特征包括稳定性、可靠性等存在密切联系。本文从测试获得的经验数据出发，在数据相空间重构基础上将测试获得的离散数据划分为若干等价的子空间序列（若时间延迟为t，则划分为t个子空间），并计算子序列的关联维度值，对比子序列关联维度判断系统稳定性。文章在ACPS运行过程中测试获得真实数据，通过与其他稳定性验证算法类比，证明了提出算法(SVCD)在运行时间上具有明显优势。