在错综复杂的战场环境下,由于外界干扰、电子对抗以及传感器自身性能限制等诸多因素的影响,所获取的信息一般具有很大的不确定性。这里的不确定性主要包括由于获取的信息不充分造成的不精确性,由于信息缺失造成的不完备性,以及由于干扰欺骗造成的不可靠性。这些广泛存在于战场目标识别与威胁评估中的信息的不确定性给传统的数据分类及决策融合方法带来了新的挑战。作为传统概率理论的推广,置信函数理论提供了一套完善的针对多种不确定信息进行建模和推理的理论框架。本论文基于置信函数理论这一不确定信息处理框架,围绕不确定数据分类与决策融合这两个具有一般意义的科学问题,开展了以下研究:1.针对分类问题中训练数据的不精确性,即源于不同类别的训练数据在特征空间部分重叠的情形,提出了一种证据剪辑k近邻(EEk NN)分类方法。该方法首先采用证据剪辑算法对原始训练样本进行预处理,用一种置信隶属度结构替代原始的单独类别标签,从而更好地刻画类别重叠区域训练样本的不确定性;然后考虑到证据剪辑后训练样本之间的相关性,采用三角范数组合规则对输入样本的k个最近邻训练样本在置信函数框架下进行融合,从而获得最终的分类结果。对于类别重叠度较大的不精确数据集,该方法可以获得比其它基于k近邻的分类方法更好的分类效果。2.针对分类问题中训练数据的不完备性,即所获得的少量训练数据不足以对真实的条件概率分布情况进行有效刻画的情形,提出了一种多假设k近邻(MHk NN)分类方法。该方法的主要思路是对输入样本在多种假设条件下进行分类,即在每一个特定假设下,基于所提出的类条件加权距离度量设计一个对特征空间的局部特性刻画能力更强的子分类器;然后考虑到各子分类器输出结果的不确定性,基于置信函数理论对子分类器的不确定输出进行建模和融合。该方法可以胜任多种数据条件下的分类任务,特别对于由高维、小样本导致的不完备训练样本条件下的分类问题,可以获得比基于其它距离度量的k近邻方法更显著的性能提升。3.针对分类问题中训练数据的不可靠性,即所获得的训练数据在类别或者特征方面有较大噪声的情形,将传统的模糊规则分类系统在置信函数框架下进行了扩展,提出了一种置信规则分类系统(BRBCS)。该系统主要包括两个组成部分:描述特征空间与类别空间之间输入输出关系的置信规则库以及描述输入样本分类机制的置信推理方法。在置信规则库构建和置信推理方法设计中,对实际应用中可能存在的数据噪声均提出了有针对性的处理方案。该系统可以获得比其它基于规则的分类方法更高的分类正确率,而且对于训练数据中的类别噪声和特征噪声均具有较好的鲁棒性。4.针对在实际分类应用中除了由传感器测量得到的训练数据外,还可以获得部分专家知识的情形,提出了一种复合置信规则分类系统(HBRBCS)。该系统采用置信规则这一公共表达模型对这两类独立且互补的信息进行建模,从而将两种异类信息统一到同一表达框架下进行融合;在融合过程中,基于训练数据和专家知识的可靠度设计了一种自适应的优化融合模型。该系统集基于数据驱动的分类模型和基于知识驱动的分类模型的优点于一身。我们对战略预警系统的多源目标识别问题进行了研究,结果表明提出的HBRBCS能够有效地综合利用训练数据和专家知识这两种独立且互补的分类信息,显著地提升了分类性能。5.针对决策融合中属性的可靠性与重要性共存的情况,定义了在利用置信函数理论处理多属性决策融合问题中存在的证据的重要性概念,并提出了一种重要性折扣与组合运算法则。基于这一理论基础,对两种常用的不确定多属性决策融合算法,即原始ER(OER)算法和修正ER(MER)算法,在置信函数框架下进行了重新分析研究,并且发现OER算法在融合过程中实质上只考虑了属性的可靠性,而MER算法则只考虑了属性的重要性。基于这一理论发现,提出了一种广义ER(GER)算法,该算法提供了一种同时考虑属性可靠性与重要性的广义不确定多属性决策融合框架。我们对战略预警系统的目标威胁评估问题进行了研究,结果表明所提出的GER算法可以有效地对属性权重的多种影响因素进行考虑,从而提供更全面、合理的决策结果。