网络物理系统（CPS）已深刻变革了智能电网、制造业、交通系统以及无人机（UAV）等自主载具等诸多领域。尽管CPS架构具备显著优势，但其特有的“指挥控制中心远离现场设备与操作端”的结构，使其极易遭受隐蔽性网络攻击，安全性成为核心关切。其中，隐蔽攻击与重放攻击对检测构成严峻挑战，在无人机应用中尤为突出。本研究聚焦于利用两种方法检测此类隐蔽攻击：一是基于模型的场景，即系统数学模型已知；二是数据驱动的场景，即仅能获取运行数据，该方法对高保真系统更具实用性。

在基于模型的方法中，本研究设计了一种编码方案，以增强检测功能并扩展其适用范围，满足安全要求。该框架显著提升了系统有效抵御隐蔽攻击的能力。另一方面，针对仅能获取数据且天然易受网络攻击的场景，本研究设计了一种高效算法，通过为数据打上恰当标签来检测与辨识隐蔽及重放攻击。该算法利用神经网络（NN）模型进行训练与评估，确保了攻击检测的高准确率与强鲁棒性。

为优化计算效率，算法在数据预处理阶段采用了特征选择技术，最大限度降低了对复杂神经网络的依赖。这不仅减少了计算资源消耗，还提升了检测模型的精度。所提方法的有效性通过在六自由度四旋翼无人机（一类极易遭受网络攻击的关键应用）上的仿真得到了验证。结果表明，本研究成果在检测与缓解CPS架构中的隐蔽网络攻击方面具备高效性与可靠性。本研究为基于模型与数据驱动两种场景下的CPS安全防护提供了通用框架，有助于提升关键应用领域系统的安全性与弹性。

本文共设五章，旨在检测网络物理系统（尤其是无人机）所面临的最复杂网络攻击之一。第一章全面介绍这一经典框架，深入分析其优劣。鉴于安全性是该框架的核心关切，本章系统梳理了针对互联系统的历史网络攻击文献及攻击检测方法，清晰阐述问题陈述，并明确本研究的核心贡献。第二章从数学角度剖析各类攻击及其对应检测方法，详述基于模型与数据驱动方法的相关背景，并引入非线性四旋翼无人机的复杂数学模型，涵盖其运动学、动力学方程及控制器设计。第三章转向基于模型的检测方法，设计了一种新型编码方案，以增强χ²检测器对隐蔽攻击的识别效能。本章还探讨了周期性编码策略的实施及安全通信信道的构建，以便向现场设备传达编码信息。与之相对，第四章从数据驱动视角展开研究，这对缺乏完备数学模型、高度依赖数据分析的场景至关重要。本章批判性分析了攻击的检测与辨识流程，着重强调了方法的准确性与可靠性。第五章作为收尾，汇总前文章节的研究成果与发现，在全面总结本研究的基础上，提出未来工作设想，并指出CPS安全领域尚需进一步探索与发展的潜在方向。