多源信息车辆识别是智能交通领域的关键技术，每个传感器获得信息源具有不确定性、不精确性和不完备性，如何合理的融合各传感器的信息是实现车型自动分类的关键。信息融合算法中，DS(Dempster-Shafer)证据理论既能有效的处理不确定性信息，又能合理的表示、组合不确定性信息，因此引起学者的极大关注。但如何处理冲突证据以及在应用中如何将实际问题转化成可用于推理的基本概率指派函数仍然是理论和应用上的难题。本文对证据理论进行深入的研究，围绕DS证据理论及其在车辆识别中的应用进行展开。　　本文的研究重点:　　1、分析多传感器信息融合目标识别的基本原理、融合过程、结构模型;对多传感器数据融合目标识别的方法进行归纳总结。　　2、介绍证据推理的基本理论、发展及其合成规则，并对证据推理在应用过程中凸显的问题进行分析，分析产生冲突的原因，归纳总结现阶段针对冲突问题的主要方法:开放识别框架、修改原始证据源和修正Dempster组合规则。改进方法虽在处理冲突问题中有一定的有效性，但仍存在不确定性强，对目标识别率不高的缺点。针对此问题，基于前人的思想，提出一种基于主元证据理论的改进方法，仿真结果说明改进算法能有效融合冲突证据，提高目标识别率。　　3、图像特征提取是图像目标识别的关键，根据红外、可见光的不同成像原理，确定各自的特征提取方法。可见光特征提取方法中，针对Hu矩特征存在的问题，提出一种改进方法——小波矩特征提取，实验结果表明，小波矩具有平移、旋转、比例不变性。最后利用可见光相机、红外相机分别对车辆目标进行识别，得出各自的识别结果，为后续章节提供数据。　　4、基本概率分配函数的难以获取是DS推理应用的关键问题，本文提出一种基于指数函数的构造方法。基于以上研究，建立基于证据理论的车辆目标识别仿真实验，仿真结果进一步验证了多传感器信息融合在目标识别中的有效性，及本文提出的改进融合规则在降低不确定性，提高车辆识别率方面的有效性。