信息物理系统(CPS)是一种新型的复杂智能系统,其中必然产生大量数据,为了提高信息抽象能力,需要将数据融合作为侧重点来满足应用需求。考虑到CPS不同于现有系统的一些特征,例如,长时间的闭环反馈、自动控制以及CPS的开放性容易带来人为等因素的干扰问题,本文针对CPS中的决策融合问题进行相关研究。本文在对CPS和数据融合进行调研的基础上分析了当前的研究现状、给出CPS和数据融合的相关理论背景并对CPS中的决策级融合算法进行重点分析。一方面,本文针对CPS中长期有价值的历史数据,提出了一个新颖的基于时间序列的CPS决策级融合(TS-DLF)算法。该方法对多个时间序列的权重进行衰变后再进行加权融合,并且设置内部反馈用于调整和修正系统,从而提高融合的准确度。我们在移动医疗平台上对上述算法进行不同场景的仿真验证。该算法的结果表明,CPS中历史数据是能够影响决策融合的整体判断的,系统也能够达到稳定状态。另一方面,CPS容易受到来自人为因素的干扰并且CPS的泛用性也越来越高。对此,我们设计了一种基于机器学习的CPS决策预测模型(ML-DPM)。通过训练深度置信网络(Deep Belief Network,DBN)并采用对比散度(ContrastiveDivergence, CD)算法,使系统自身能学习复杂知识。我们针对四种不同的样本模型进行仿真验证,仿真结果表明网络解决了复杂模型下的数据特征提取和关系映射容易受到人为因素影响的问题,有效地实现了 CPS的决策融合和预测。