信息物理系统(Cyber-physical systems,CPSs)的分布式融合估计因计算速度快、可靠性高、容错能力强等特点受到人们越来越多的重视,在工控系统、智能家居等领域得到广泛应用。然而,由于网络化分布式结构带来的开放式特点,使得各种攻击行为对融合估计的稳定和性能造成直接影响。同时,非线性CPSs估计过程中存在的线性化误差也给分布式融合估计方法的分析和设计带来了新的挑战。因此,研究攻击情况下非线性CPSs的分布式融合估计问题有重要的理论意义和应用价值。虚假数据注入(False data injection,FDI)攻击中攻击者通过修改测控数据从而破坏CPSs信息完整性,可很大程度地损害系统状态融合估计性能,具有较强的隐蔽性、干扰性与目的性,是对CPSs威胁程度较高的网络攻击之一。本文基于分布式卡尔曼融合框架,针对非线性CPSs遭受FDI攻击问题,提出新的安全状态融合估计方法。本文主要工作和成果如下:(1)针对非线性CPSs中的安全分布式融合估计问题,详细介绍了典型网络攻击的攻击类型、方式和危害等方面,并分析了线性化误差对分布式融合估计的性能影响。由此引出本文主要研究的两类问题,即非线性系统传感器和执行器分别遭受FDI攻击下的安全分布式融合估计问题。(2)针对非线性CPSs传感器遭受FDI攻击的安全状态融合估计问题,通过基于卡尔曼滤波方法的卡方检测器,检测并剔除系统中遭受攻击的传感器信息。采用渐进高斯滤波方法与容积积分准则,提出渐进容积信息滤波方法实现量测缺失情况下的局部状态估计。在此基础上,利用信息矩阵设计了一种非线性分布式信息融合方法得到状态融合估计并提高估计精度。最后,通过一个移动机器人跟踪仿真实例证明该方法的可行性与有效性。(3)针对非线性CPSs执行器遭受FDI攻击的安全状态融合估计问题,将攻击信号建模为系统状态方程中的一个时变参数,基于扩展卡尔曼滤波方法及递归最小二乘方法提出一种自适应扩展卡尔曼滤波方法,实现系统状态和攻击信号的联合局部估计。在此基础上,通过在融合中心引入补偿因子,设计了一种依赖于补偿因子的非线性分布式加权融合估计方法,可有效提高系统融合估计性能。最后,通过数值仿真和移动机器人目标跟踪仿真实例验证所提方法的可行性和有效性。