多传感器数据融合在当前时代,被越来越多的领域广泛运用。由于多种因素推动科技的进步与发展,与之对应的大量数据融合算法应运而生如:BP神经网络算法、证据理论算法、Bayes理论等。证据理论作为一种比较古典的处理不确定性问题的数据融合算法,其经过四十多年的发展,国内外各级重要学者也都对证据理论做进一步的阐述。本文主要围绕D-S证据理论及组合规则进行深入分析。传统证据理论在处理高冲突证据时,可能会产生与各证据相悖的结果,从而造成对目标的决策失效。现有大量文献对此不足展开研究与改进。本文主要基于对于冲突证据问题的解决方法中的不足,提出一种改进的解决方案。针对D-S组合规则在处理证据间冲突方面的不足,本文以证据间的分类为切入点,对于大量的证据,从证据间的相似度属性以及证据自身的信息熵属性两方面进行分类并修正。证据间的相似度,可划分为三种子属性特征:证据间距离、冲突量、夹角;证据自身的不确定的属性则由信息熵子属性特征进行描述。结合证据间相似度属性和证据自身信息熵属性将证据集划分为可信度高证据、一般性证据和冲突证据,以此对分类的证据集赋予不同的重要性系数,并加以修正改进,改进后使得一般性证据和高冲突证据向可信度高的证据意见靠拢,之后对于修正后的证据进行合成。结合温室大棚里四种目标属性(空气温度、湿度、CO2浓度、土壤温度)对黄瓜的生长环境使用本文的改进融合算法进行实验评估。利用粗糙集理论求解各传感器所对应的基本概率分配函数,之后进行融合。实验结果与其他改进方法对比,其既能够很好地解决冲突问题、又能降低证据的不确定性,从而更好地进行数据融合,并确定了该创新方法的可行性以及模型的合理性。