随着信息化时代的到来，多传感器信息融合技术得到了越来越多的关注。如何在纷繁复杂的不确定性信息中获取有效信息变得十分重要。D-S证据理论是一种处理不确定性信息的方法，它可以通过融合多源信息进行决策，从而在信息融合领域得到了广泛的应用。但是它也存在着一些问题，例如，在D-S证据理论中，冲突系数k不能准确的度量证据间的冲突程度。此外，将D-S证据理论应用于实际中时，如何基于获得的不确定信息来生成基本概率赋值(Basic probability assignment，BPA)也是有待解决的重要问题。针对上述问题，本文提出两种基于数据驱动的BPA生成方法以及一种新的证据冲突度量方法。主要研究内容如下:
　　(1)基于样本的概率分布情况，提出一种新的BPA生成方法。首先，该方法对已知样本进行拟合，得到样本的概率分布情况。然后，根据提出的不同概率分布下的距离公式，计算测试样本与区间之间的距离，再通过求得的距离计算相似度。最后，将得到的相似度归一化，进而生成BPA。
　　(2)基于最大熵模型，提出一种新的BPA生成方法。该方法仅根据已知信息来构造模型，而对未知信息不作任何的主观假设。并且，在最大熵模型的基础上，加入了拉普拉斯平滑以及区间数模型对最大熵模型进行了优化，解决了最大熵模型的样本稀疏问题。通过建立模型，可以快速有效地生成BPA。多个仿真实验验证了方法的有效性。
　　(3)对于D-S证据理论冲突的度量失效问题，提出一种基于Bray-Curtis相异度的证据冲突度量方法。首先，基于Bray-Curtis相异度，提出信任差异度公式。然后，引入Pignistic概率转换，将原始证据中的复合命题转化为单子集命题。最后，利用信任差异度公式来计算证据间的冲突程度。从理论推导和经典算例仿真两个方面，验证了方法的有效性及优越性。并且，简单验证了所提方法在证据合成方面的有效性。