本文对可传递信度模型(TBM)的研究分为两部分。 其一是关于TBM的理论研究。首先,将TBM与经典概率模型、上下概率模型及Dempster模型等概率模型作了比较。通过对这些模型的静态部分和动态部分依次进行分析,找出了TBM与概率模型之间的本质区别,即TBM与概率理论没有任何必然联系。其次,在TBM上定义一对Rough算子,并讨论其性质,然后通过这对Rough算子,对TBM中的信任函数和似然函数进行了Rough集解释。 其二是关于TBM的应用研究,这是本文的重点。 为了处理训练模式类标签不精确情形,本文提出了基于TBM的k-NN分类规则及其结合模糊集理论和可能性理论的拓广。通过运用pignistic变换,可以方便地对待识别模式真正所属的类做出决策。由于有限识别框架上的正则模糊集通过相应的隶属函数能产生一个可能性测度,而该可能性测度即是似然测度,因此对基于TBM的k-NN分类规则进行拓广是可行的。 另外,对于以上两种k-NN分类规则,本文还提出了参数的自适应学习方法,即通过梯度下降来最小化训练模式的输出类标签与目标类标签之间的误差函数,以便从训练集中自动学习参数值的大小。 最后,通过计算机模拟实验,对本文提出的这些分类规则作了比较。结果表明,拓广后的分类规则误分类率明显更低,并且经过参数优化后两者的分类效果都得到了较好的改善。