随着各类多传感器系统的快速发展，多传感器信息融合技术引起了广泛的关注。在现实生活中，由不同渠道获得的信息不可避免地含有不确定性，所以寻找一种合理的方法来分析不确定信息并做出正确的决策是至关重要的。D-S证据理论是多传感器信息融合领域中的一种重要方法，它可以在没有先验信息的前提下融合证据，是处理信息不确定性的一种有效工具。然而，作为D-S证据理论中的重要步骤，如何生成基本概率赋值(basic probability assignment，BPA)仍然是一个开放的课题。除此以外，D-S证据理论在融合高冲突证据时可能会得出反直观的结果，这与冲突因子不能有效地度量证据间的冲突程度有关。因此，针对上述问题，本文的研究内容如下: (1)在封闭世界假设下提出了一种基于Adaboost算法的数据驱动的BPA生成方法。该方法首先根据训练数据生成多个强分类器并记录相应的权重。然后，通过加权投票的方式生成测试样本的单子集命题的BPA。对位于相交区域的样本，使用面积比法重新分配其质量以确定复合命题的BPA。最后，使用Dempster组合规则得到最终的决策结果。多个数据集的分类实验结果表明该方法是一种合理有效的BPA生成方法。 (2)在开放世界假设下提出了一种基于广义证据理论的广义基本概率赋值(generalized basic probability assignment，GBPA)生成方法。该方法首先根据训练数据分别构造样本类别和测试样本的三角模糊数模型，然后通过计算样本与类别间的三角模糊距离生成GBPA，最后使用广义组合规则融合所有的证据并得出结论。Iris数据集的实验结果表明该方法合理有效，并且在缺乏训练样本的条件下仍能达到较高的分类精度。 (3)提出了一种基于推土机距离的证据冲突度量方法。该方法不要求不同证据的命题数量相同，并且可以直接度量含有非单子集命题的证据冲突。仿真实验表明，该方法给出的冲突度量结果能够正确表征两组证据间的冲突程度，并满足证据冲突强度量函数的所有期望特征，这表明该方法是一种有效的证据冲突强度量方法。
NETL