信息物理融合系统(CPS,Cyber-Physical Systems)是一种将信息空间和物理空间紧密结合的系统,它通过集成信息技术和自动控制技术,打造“状态感知-融合多源信息实时分析-决策执行”的数据闭环。环境状态感知是CPS的基础,被感知的物理对象包括人员和各种设备。随着深度学习技术的发展,目标识别技术逐渐成熟,研究目标识别技术在CPS中的应用,将能有效减少人工值守、巡检疏忽带来的安全问题,为传统系统改造成CPS提供了可能。并且能提供给CPS用于多源信息融合,从而提高决策的可靠性、准确性和安全性。作为目标识别技术的一个分支,人脸识别技术已得到广泛应用。CPS中基于监控摄像头的人脸识别不同于目前广泛应用的场景,人脸姿态存在较大变化,无法要求现场人员配合识别。为了改善监控场景下多姿态人脸识别准确率,本文提出了一种基于姿态估计的人脸识别算法。该算法在从图像中检测出人脸后,先将人脸分类到样本库中最接近的姿态类别,然后在子样本库中进行分类识别。针对该算法的姿态估计需求,本文设计了一种基于人脸关键点的姿态估计算法,该算法将人脸关键点映射到二值图上,使用改进的AlexNet训练姿态分类器。在CAS-PEAL的PD(Pose Looking Down,即俯视姿态)子库上进行测试,姿态识别准确率达到94.43%,rank 2邻接姿态识别准确率达到98.35%。结合了结合姿态估计的人脸识别算法在姿态PD±67(人脸为俯视姿态,并且左右偏转67度)上的识别准确率达到83.44%;当FPR为0.01时,TPR由88.8%提升到89.6%。最后集成上述算法设计实现了在边缘节点上部署的人脸识别系统。本文还研究了目标识别技术在设备状态识别上的应用,提出了一种基于监控图像的设备指示灯位置检测与状态识别算法,该算法基于SSD和霍夫变换进行两阶段指示灯位置检测,并针对摄像头角度与设备位置相对固定的特点,设计多帧融合算法提高检出率;在HSV(Hue Saturation Value,色调、饱和度、明度)色彩空间内使用LeNet模型进行状态识别。该算法在自建的电力设备指示灯数据集上进行了测试,经过连续4帧的融合检测后检出率达100%,状态识别准确率达到99.8%。最后将检测算法和识别算法联合部署测试,证明了算法的有效性和准确性。最后,本文对CPS如何融合在充分感知现场环境后得到的现场人员信息和设备状态信息这一问题进行了讨论,并基于决策树算法在场景模拟数据上进行仿真测试。