随着科学技术的发展,越来越多的穿戴网络设备涌入了人们的生活。穿戴传感器数据主要分为运动数据、环境数据、生物数据等不同类型,即使在同一穿戴网络设备中的传感器数据往往也具有不同类型的数据,因此需要选择合适的数据融合算法对其进行处理。证据理论是一种有效的处理不确定信息的方法,该方法可以融合来自不同传感器的多源异构数据,目前已经被广泛应用于各种领域。本文针对证据理论以及基于证据理论的穿戴网络数据融合算法中存在问题,进行了以下研究:(1)梳理了穿戴网络的发展历史,详细介绍了证据理论的理论基础和研究现状,主要对公式含义以及现在阶段存在的主要问题进行阐述。(2)针对证据理论中出现的因冲突证据问题所导致的反直观错误结果问题进行了研究分析,提出一种基于基本信度函数置信区间距离的数据融合算法。本文提出的方法不同于对证据组合公式进行修改的方式,而是对由证据源生成的基本信度函数进行修正,利用由各基本信度分配得到的置信区间距离来表示证据体之间的距离,并根据各证据体之间的距离对所有的证据体赋予权重,利用权重对基本信度函数进行修正从而达到解决反直观错误结果的目的。通过将本文提出方法与经典证据组合方法和各学者提出的修正证据组合公式结果进行对比,验证了本文算法的可行性与有效性。(3)对穿戴网络数据融合算法进行研究,提出了一种基于证据理论的数据融合算法并将其应用于人体动态平衡能力分析模型中。首先,本文对人体是否存在摔倒风险进行不同风险等级的划分,基于隶属度函数与简单支持证据算法对传感器数据进行基本信度函数的构建,然后利用本文提出的基于基本信度函数置信区间距离的数据融合算法对存在冲突的基本信度函数进行数据融合,最后根据决策判定阈值得出该人是否存在摔倒风险,给出风险等级,同时根据存在的问题,给出相应的改善意见。通过将基于证据理论的数据融合算法与其他数据融合算法进行仿真结果对比,验证了本文算法在处理不确定性数据时的优势。