证据理论的最大优点在于它能在不知道先验概率的前提下表达“不确定性”和“不知道”的问题,为不确定性推理提供了可靠的方法。当前,在人工智能领域已广泛应用。然而,目前还没有从数据源中获取证据函数的完整方法,也就是说,基本信度分配函数的构造和复杂证据网络推理方法仍存在许多问题有待研究。本文的所做工作如下:一、针对证据理论中构造基本信度分配函数(BBA)困难的问题,本文找到了一种加权基本信度指派函数的构造新方法,并应用在多特征图像分类上。该方法以多类logistic回归输出的后验概率与识别正确率构造证据权重系数,进而构造出权重基本信度指派;最后通过加权D-S证据融合最终判别类别。实验结果表明,该方法能够克服单一特征分类精度的不稳定性,提高分类精度。二、本文把团树传播算法应用在证据网络中,解决了复杂的多连通知识网络结构下的信度推理问题。该方法首先把复杂多连通网络构造成一棵团树,并将联合信度作为团节点的参数实现了复杂多连通网络结构上的证据网络信度推理;在进行联合信度函数信息融合过程中,通过引入两种新的交并运算实现了对DSmT组合规则的改进,减少了不确定性。最后,通过一个例子来证明该方法的可行性。