基于证据推理（Evidence Reasoning,ER）规则的分类器能够很好的处理输入特征与输出值（类标签）之间的映射关系。针对ER分类模型中结构与参数的优化问题,现有大部分研究都是将ER模型结构与参数的优化分开考虑的,并不能实现两者的协同优化,而模型参数与结构分别决定了ER建模的模型的复杂度和准确度,在实际中更需要兼而治之,以便找到模型复杂度和精度之间的平衡解;基于此,本文提出结构与参数联合优化下的ER广义分类器设计方法,并将该方法应用在旋转机械设备的故障模式分类问题中,主要工作如下:（1）结构与参数联合优化下的ER广义分类器设计。首先,通过k均值初始化输入特征的参考值,利用样本投点法来构造投点矩阵以及参考证据矩阵;然后,使用ER规则融合参考证据,根据融合结果进行最终的决策获取输入特征的类标签。在融合的过程中,采用平行多种群策略和冗余基因策略来对结构与参数进行联合优化;通过构造多组不同长度的参数个体（一组ER参数）和冗余基因来保证这些不同长度的个体能够顺利进行交叉变异操作;最后,选择University of California Irvine（UCI）中的经典基准数据集进行分类实验,详细介绍所提分类器的设计过程,通过对比其他多种典型分类器,验证了新分类器的性能优势。（2）基于ER融合模型的齿轮箱故障诊断方法。针对齿轮箱故障诊断问题,基于（1）中的新型分类器给出了齿轮箱的故障模式分类方法。首先,对采集到的多源振动信号进行特征提取;通过故障特征样本投点构造参考证据矩阵,并获取诊断证据可靠性因子和重要性权重;然后,使用ER规则进行诊断证据融合与故障决策;在融合过程中,通过使用结构与参数联合优化的策略来获得模型参数的最优值;最后,通过对诊断结果的综合比较,验证了该方法在齿轮箱故障诊断中的有效性。（3）基于COWA算子的决策信息概率转换方法。针对故障诊断中的决策不确定问题,在（2）的研究基础上,基于COWA算子提出一种不确定性决策信度分配与概率转换方法。通过信任区间构造可靠度矩阵,来描述决策信息的可靠性,衡量决策层的信息损失。通过该方法与所提ER融合模型的结合,可以有效提升故障模式分类决策的精度,最后通过与（2）中的实验结果进行对比,验证了该方法的有效性。