在人工智能领域中,如何处理不确定信息数据一直是众多学者关注的热点,而Dempster-Shafer证据理论则是最重要的处理不确定信息的方法之一。作为不确定信息的数学表示,Dempster-Shafer理论与传统的概率方法互为补充,同时它允许把概率指派给集合或者区间,并且不需要先验概率。在许多工程应用中未必能获得精确的测量数据,而Dempster-Shafer理论正是可以应用到这类环境中的一个评估风险和可靠性的重要工具。合并多源数据是这个理论的重要特性。本文基于经典的Dempster-Shafer证据理论,给出了信任函数的概念及其意义,综述目前国内外对信任函数的主要研究及改进与各自的局限性。在讨论Dempster-Shafer证据理论内部性质和变化规律及典型的鲁棒性问题后,指出证据源自身存在自冲突的实质,并依据证据源之间数据相似性的差异及一系列因素来刻画不同证据源的优先级别,以此提出一种新的证据信息组合规则方法-综合权值迭代GWI,并与多种研究方法作了清晰的横向比较,证明了改进后算法的优越性。最后给出了一种多AGENT信任管理模型MATR,并使改进后的证据合并方法在MATR中获得了有价值的应用。既丰富了多AGENT信任管理方法的内容,也在一定程度上使改进的证据理论方法在多AGENT这一崭新领域得到了推广。