证据理论是在传统的贝叶斯理论上发展起来的,是对经典概率的一种扩展,它用上概率和下概率反映所有可能结果的集合幂集的信任度。该理论作为一种不确定性的推理方法,对不确定性问题的处理更加符合人们的思维习惯,能够对非冲突的“不完全信息”、“不确定信息”和“不可靠信息”进行合理的描述和处理,已被成功地应用于许多领域的不确定性信息处理。但是,在证据理论的实际应用中,常常会面临各种不确定的冲突信息,特别是当参与合成的证据间具有较大的不一致性或冲突性时,证据合成方法无法得出结果或者得出与事实相悖的结果。这一局限性在很大程度上制约了证据理论的进一步推广和应用。为了使其在实际中得到更为广泛的应用,需要对证据理论的合成方法做进一步扩展研究。本文将群体决策的思想引入到证据理论中,构建冲突证据合成的新规则,并应用于多个分类器的信息融合中。主要研究内容如下：　　 ⑴文献中关于冲突证据合成的最新成果之一就是稳健合成规则。这种合成规则不仅能避免冲突问题,而且具有拟结合性、稳健性等优良性质,其不足之处是忽略了焦元一致性,合成的结果有时不理想或丢失信息过多。本文针对该规则的缺点提出一种解决冲突证据合成的新规则--自适应.稳健合成规则,并通过例子比较验证了新规则的有效性；　　 ⑵经典证据理论的每个合成规则都只默认一种决策体制,而实际中不同的情况往往对应着不同的决策体制。针对这种情形,本文首先用群体决策的主要规则对参与合成的证据进行预处理,然后在改进规则的基础上构建一个新的信息融合方法。实验表明,新方法合成的结果更理想、更适用；　　 ⑶为提高经典多分类器的分类精度,本文将Fisher判别分析与新融合方法相结合,对不同属性的不同分类器进行信息融合,取得了精度更高的分类结果,进一步显示了新方法的可用性和优越性。