随着科技与经济的不断发展,人类社会逐渐朝信息化方向大步前进,如今已进入互联网与物联网时代,如何有效融合由大数据带来的多维度、多层次、多类型的信息以获得对物体或目标更为准确的评估与判断成为政府、企业以及科研机构关注的问题。在信息融合应用中,通常借助传感器收集信息,这是有效融合的第一步也是至关重要的一步,因为能否收集到可靠的信息决定着最后融合结果的准确性。但在实际的应用中,被观测目标通常是未知的,不确定的,甚至可能有敌方发出虚假信息来干扰传感器的探测。所以在复杂的、不确定的环境中,传感器往往得到的是残缺的信息。在这种情况下使用传统的信息融合方法可能会得到与事实相悖的结果,基于这样的结果做出的决策可能会导致及其严重的后果。所以在信息残缺的情况下,如何进行有效的信息融合将是本文的主要研究内容。信息融合作为一种综合处理数据资源的技术,具有多种融合方法,其中Dempster-Shafer证据理论(D-S理论)凭借其在表达与处理不确定信息方面的优势而备受关注。作为经典概率论的推广,D-S理论将概率论中的基本事件空间拓展到其幂集之上,并在其上建立了基本概率指派函数(BPA),且提供了一个组合规则使得可以在缺乏先验信息的情况下对证据进行融合。故本文以D-S理论为研究基础探索如何有效融合残缺信息,具体研究内容与方法如下:(1)基于KL散度研究信息残缺情况下的有效融合问题我们提出一种基于距离的证据加权平均算法用于残缺信息的融合处理。我们首先基于KL散度定义BPA之间的差异性测度方法,也可以看作是一种证据之间的距离测度,在此基础上提出不同证据的权重生成方法,然后通过证据的加权平均改进经典证据融合方式,从而达到有效融合残缺信息的目的。(2)从熵的角度探索如何通过提高信息源质量来有效处理残缺信息融合问题本文首先基于Jirou(?)ek提出的信度熵概念定义了正理想基本概率指派与负理想基本概率指派,从而提出证据可靠性接近度指数的概念用于度量不同证据体的可靠性程度,进而提出有效融合残缺信息的算法。通过构造算例,将提出的算法模型与其他经典残缺信息融合方法进行了比较,对比结果显示新提出的算法具有更高的准确性,且收敛性更优。为了进一步突出所定义算法的优越性,我们进行了一组基于公开数据集的对比实验,通过构建不同类型的残缺信息达到对比效果,实验结果显示我们提出的算法具有更加广泛的适用范围,不但在复杂不确定的环境下仍可以实现信息的有效融合,而且收敛速度更快。