在人工智能技术不断发展的今天,我们已经处于信息的海洋中。但是当我们进行决策、投资时,要如何综合多个层次、多个方面的信息做出最明智、最符合当下情况的决策是一个不可避免的问题。在多源信息融合的应用中,如何处理传感器收集到的数据对于信息融合来说是至关重要的一步。首先要对收集到的传感器信息进行有针对性的处理,这样才能保证最后的融合结果是符合直觉与常理的。但是在实际的应用中由于传感器本身的故障、物理特性或者环境的不确定性都将会导致收集到的数据是冲突的、不确定的,所以需要对收集到的数据进行评估,判断其中包含了多少有效的信息。如果我们不加以区分直接拿过就用那很可能会导致决策错误、投资失败,造成不可弥补的错误。因此,本文的主要研究内容就是如何进行信息质量的评估,并有效的进行权重分配,且让提出的方法适用于信息融合及其相关领域。广义信息质量是从收集到的信息之间的相互关系出发,通过考虑从各个信息源所收集到的信息之间的相互支持程度来衡量这个信息的不确定度大小、有效信息多少。信息融合理论中的Dempster-Shafer证据理论（D-S理论）因为其良好的对不确定信息的建模能力,所以在多源信息融合领域得到了广泛的应用。另外,Dempster-Shafer证据理论中的Dempster组合规则提供了一个在没有先验知识的情况下仍能进行信息融合的方法。因此本文在D-S理论框架下,以广义信息质量为基础进行有关如何有效的进行加权融合的研究,具体的研究内容与方法如下:（1）基于动态权重分配研究各种情况下的加权融合问题提出了一种对多个信息源动态分配权重的方法来进行信息融合,借助动态的权重分配技术来对不同信息源的数据匹配不同的重要程度,以体现他们对最终决策的影响效力的大小。首先是分析收集到的信息,判断收集到的各个信息源之间的关系,通过相互支持程度来进行动态的权重分配,最后借助Dempster组合规则得出最终的融合结果。（2）基于Tsallis熵的加权融合方法的研究提出了一种基于Tsallis熵和广义信息质量的来衡量信息的不确定性的算法。Tsallis熵是Tsallis受到多重分形思想的启发从而提出对Boltzman-Gibbs-Shannon（BGS）熵的广义化的熵,当满足某种条件时,Tsallis熵会退化为BGS熵。本文首先基于Tsallis熵提出了信息量的概念,用于衡量数据源所包含有用信息的多少。接着,通过考虑信息之间的相互关系,借助广义信息质量来从信息之间相互关系的角度度量信息的可用性。最后基于信息量和广义信息质量定义了权重分配方法,在加权融合之后使用经典的Dempster组合规则来对信息进行融合。将本文所提出的融合方法以及加权融合模型运用在相应的算例上,结果显示本文所提出的算法准确性更高。同时,将所提出的算法运用在基于公开的数据集上的对比实验也进一步展现了所定义方法的优越性。此外,为了体现本文所提出算法对冲突信息的处理能力,对数据集进行了相应的处理来模拟高度冲突的情况,并运用本文所提出的算法进行融合,实验结果显示我们提出的算法具有更加广泛的适用范围。不但在高度冲突的环境下仍可以实现信息的有效融合,而且收敛速度更快、准确度更高。