近年来随着航道智能化、信息化的发展建设,内河航标作为保障船舶安全通航的助航设施之一,扮演着不可或缺的角色。由于航标的配设环境会受到强风暴雨等其他恶劣因素影响,甚至存在过往船舶碰撞的隐患,导致航标工作状态发生变化。针对航标状态改变时的属性数据特征以及环境数据特征,本文构建状态识别模型,实现其工作状态的准确研判,为管理部门提供合理的参考依据。本文选取内河航标运行状态为研究对象,分析航标失常状态类型及其失常原因,研究基于多分类器和改进DS证据理论的信息融合识别模型,实现对航标运行状态的准确识别。具体研究工作内容如下:（1）从航标属性数据与工作环境数据两方面,分析了影响内河航标运行状态的关联性指标,通过卡尔曼滤波验证航标漂移特性,并计算航标位移距离;利用主成分分析法挖掘高维特征数据对航标失常的贡献率,实现对原始数据的降维处理。（2）构建了基于BP神经网络以及SVM支持向量机的状态识别模型,在原有模型的基础上,结合BA蝙蝠算法的全局寻优特性,求解出模型预设参数的最优解,从而提高模型的收敛速率以及识别准确度。（3）设计了基于改进的DS证据理论融合模型,在经典的证据理论中通过引入证据间相似度与支持度解决高冲突悖论问题,并利用改进后的DS证据理论对多分类器模型的识别结果进行决策融合,提高了状态识别的准确度。（4）为了验证本文的理论模型及融合方法,以武汉航道局提供的武桥水域航标数据为例进行实验分析,结果表明:本文所提的预处理方法契合样本数据特征,且BA优化前后的分类器识别准确度均有所提高,通过改进DS证据理论决策融合后的识别率达到96%以上。