本文主要研究了在证据理论框架下对多个分类器提出了新的合成规则,在保证合成规则具有良好性质的同时也充分利用证据源信息,提高模式识别方法的精确性和有效性。在证据理论框架下的分类问题中,根据特定的分类方法和证据合成规则来进行全方位的信息融合,得到未知类别的样本的分类情况。本文在证据理论框架下研究分类问题,根据k最近邻分类方法和新的合成规则来进行全方位的信息融合,得到未知类别的样本的分类情况。利用证据合成规则可以对多个信息源的证据进行合成,得到一个总的可信赖有说服力的结果,在模式识别方面有普遍应用。但是多数现有的证据合成规则都是用集合之间的运算来定义的,当存在多个证据源且证据指向的分类结果个数较多的情况下,合成规则的可操作性将会困难重重。那本文从定义形式出发,用权重函数替代集合运算定义了新的证据合成规则,提高了证据合成规则的操作性。Dempster组合规则通常用于在证据k最近邻分类器中合并不同的独立的证据,那在对于不满足独立性的证据合成过程中会限制该分类器的分类性能。本文从独立性角度出发,定义了一类具有可调节参数的三角模组合规则,可以很好地解决了这个问题。本文展示了当选择合适的参数时,三角模合成规则可以提高证据k最近邻分类器的性能,而且三角模合成规则具有良好的性质和更广泛的表示形式。将证据合成规则用在模式判别方面的应用有很多,在改善分类器的效果过程中主要针对以下两方面:一方面是改变证据之间的融合过程,即使用不同的合成规则;另一方面是针对证据合成结果冲突集的处理过程进行完善和改进。本文将从以上两方面入手进行研究,第一,根据证据源构造更加完善的基本信任分配函数,第二,前人学者的研究都是使用pignistic概率转化公式将证据理论框架下基本信任分配函数转化为识别框架下特定类别对应的概率,本文直接从基本信任分配函数得到最终判定类别,使分类结果不仅只有特定类别,而且引入了混合类别,为证据合成过程提供了更深入的洞察力,降低了证据合成结果分类错误率。第三,在本文分类的最后过程,我们提出了两步分类法,对致力于整个识别框架的结果进行二次分类,减小泛化误差,提高分类准确率。最后,我们分别应用合成数据集和真实数据集,对基于三角模合成规则的分类方法进行了实证分析,验证了方法的有效性。