回顾人机物融合系统的背景，介绍并澄清一些重要概念。从系统工程角度探讨并提出建立人机物融合系统的科学基础面临的重要挑战，包括：（1）复杂的异质性；（2）合适抽象的缺失；（3）大量异质黑盒子系统的动态集成；（4）复杂的功能、性能和服务质量方面的需求；（5）满足需求的人机物融合系统的设计、实现和运维。为应对以上挑战，建议从4个方面开展研究：（1）人机物融合系统的抽象与计算理论；（2）人机物融合系统体系架构的建模理论与方法；（3）模型性质的规约与验证；（4）人机物融合系统的软件定义方法与技术。最后，作为本信息物理融合系统专题的编辑按语，简介专题收录的4篇文章。

信息物理融合系统是集计算、通信、物理等组件的分布式集合体，能够感知环境，通过算法评估收到的信息，并且影响其所在的物理环境。信息物理融合系统与其他复杂适应系统有相同的结构，也因此同样承受突现可能带来的有利与不利影响。突现是个体系统组件与环境交互引起的意料之外的模式。本文聚焦信息物理融合系统中关于突现的3个主要问题：如何成功利用突现，如何避免单个信息物理融合系统中的突现产生的不利影响，以及如何避免同一环境中多个独立开发的信息物理融合系统间由意外交互引起的不利影响。本文回顾这些问题的研究现状，并概述相关方法。

信息物理融合系统（cyber-physical system，CPS）已成为应对社会经济可持续发展诸多挑战性问题的潜在使能技术。自2006年CPS肇始至今的大量研究表明：CPS由大量异构子系统构成，其系统构建是一个困难且复杂的工程。在既有的CPS构建实践中，较之其他复杂系统设计方法，模型驱动方法展现出显著优势。鉴于此，本文针对CPS的模型驱动开发方法展开综述：介绍当前模型驱动开发中广泛使用的方法、技术与工具，并讨论其在CPS构建中的应用；同时，从建模语言、功能及应对CPS构建挑战性问题的能力等方面，对比分析这些技术与工具。基于这些工作，本文认为：尽管模型驱动方法尚需持续改进其理论、技术与工具，但其仍不失为构建CPS的必由之路；此外，可支持不同建模方法的统一建模平台已是迫切需求，统一平台不仅有利于学术研究及工业实践活动，也利于提升工业界与学术界的协作。

机器人系统设计通常是自下而上的，这种开发方式使机器人群体很容易受到环境影响。具体来说，目前广泛使用的集群控制模型不能保证宏观上群体任务的正确性，也不能保证微观上机器人节点间交互的安全性。因此，为确保机器人行为在运行时的安全性，有必要考虑机器人集群系统在不确定环境下的复杂性质。运行时强制技术能确保状态序列始终满足给定性质，并且避免状态爆炸的问题。虽然在其他领域出现了一些运行时强制的工作，但目前还不能解决机器人集群问题。本文通过引入宏观/微观性质强制框架、防护器以及一个离散时间的强制机制（discrete-time enforcement，D-time 强制）解决该问题。论述了领域规约语言和强制器合成算法，然后，将此方法应用到一个机器人集群仿真工具robotflocksim中合成强制器。以无人机集群任务为例实现了该方法，并对实验效果进行讨论。

信息物理融合系统在安全攸关领域的重要性日益增强。为了在研发早期确保系统的可信属性，特定风险分析扮演了安全性评估工作中的重要角色。人为因素和物理环境是特定风险评估中最为重要的组成部分。因此，有必要综合考虑人和物理环境的行为特征进行安全性分析。为提高架构分析与设计语言（AADL）的建模能力，提出一种新的特定风险模型，同时提出一种基于架构的特定风险分析方法支持信息物理融合系统模型层面的安全性评估。为实现特定风险模型的定量分析，提出从特定风险模型到确定性随机Petri网模型的转换方法。以电力系统中的安全稳定控制系统为例，采用所提方法进行架构模型建模和特定风险分析。

人群计数被大量应用于视频监控、交通监控、汇编控制以及其它公共安全应用场景。上下文信息相关的透视扭曲和背景干扰是影响人群计数准确性的两个关键因素。区别于只解决其中一种特定因素的传统方法，本文提出一种人群计数网络，其充分聚合上下文信息，达到同时解决两种因素的目的。提出一个多任务的全卷积网络结构，学习人群密度估计和语义分割辅助任务，前者通过提取多尺度和空间上下文信息学习人群密度图，辅助语义分割任务通过学习背景和前景信息，后期将语义分割提取的信息融入人群密度估计任务。结果表明，提出的人群计数网络具有较好的人群计数准确率；与其它方法相比，提出的方法在3个具有挑战性的人群数据集上具有更高鲁棒性。

通过一系列基于自动编码器的深度学习网络结构，单通道语音分离方法最近取得诸多进展，其使用编码器将输入信号压缩为中间特征，再把这些特征送入解码器重构感兴趣的特定音频源。然而，这些方法既无法为单通道语音分离学习原始输入的生成因子，也无法构造混合语音中的所有音频源。本文提出一个新的加权因子自动编码器模型，在目标函数中引入正则化损失以约束目标源，摒除其他信号源。通过在分离层中引入潜在注意力机制和监督源构造器，加权因子自动编码器可为每一个信号源习得特定于源的生成因子和一组鉴别性特征，从而提升单通道语音分离性能。在基准数据集上的实验表明所提方法优于现有方法。就3个重要指标而言，加权因子自动编码器在相对更具挑战性的任务（与说话人无关的单通道语音分离）上取得巨大成功。

本文在无线携能（SWIPT）系统中研究通过人工噪声辅助的保密中断性能。假设信源装备多根天线，而合法接收者和窃密者均只有一根天线。具体而言，信源的发射信号由两部分组成：第一部分是信息符号；第二部分是给窃密者的噪声。为了不在合法接收端产生噪声干扰，根据信源和合法接收者之间的实时信道状态，发射信号里的这两部分被调制到两个正交的维度上。本文采用高斯-拉格瑞（GLQ）求积公式，求得保密中断概率（SOP）的一个近似闭式表达式。在这个表达式里，本文得到的近似SOP与准确SOP之间的误差会随着GLQ的求和项增多而逐渐消失。为得到这个SWIPT系统的保密分集增益和保密阵列增益，求取SOP的渐近结果。在高信噪比下，这个渐进SOP非常准确。在窃密者信干噪比相对较小情况下，还求得SOP的一个具有鲁棒性精度的近似表达式。最后，运用蒙特卡罗数值仿真验证所得闭式表达式的准确性。

针对星敏感器在姿态失锁状态下的星图识别问题，提出一种基于人工智能的星图识别算法。该方法基于Vgg16的卷积神经网络模型对星图分类。为达到最优性能，构建了一个星图训练集。仿真结果表明该算法对星图识别问题中的多种噪声具有强鲁棒性，包括星点位置噪声、星等噪声、伪星以及星敏感器角速度。在多种噪声影响下，该方法的识别率依然保持在96%，相比传统的金字塔形算法和栅格算法有显著提升。