证据理论作为一种不确定性推理方法,具有推理机制简便、灵活等特点,因而在人工智能、检测诊断和信息融合等众多领域有着广泛的应用。但是在利用证据合成公式进行证据融合时,如果证据间存在着较大的冲突或不一致,则融合结果容易出现反直觉甚至是错误的现象,这也成为证据理论在实际应用中遇到的主要问题。基于此,考虑到序贯证据的序列性具有高效处理冲突的能力,本文提出了一种新的序贯证据融合方法。本文首先采用Pignistic距离作为证据间相似性衡量方法,对历史证据进行修正,然后从经典马尔科夫链中的确定性状态描述扩展到不确定性状态描述,以宽度为l的滑动窗口对序贯历史证据进行采样,建立马尔科夫链的不确定状态证据模型,并根据转移概率矩阵,计算证据代表,最后利用Murphy组合规则对证据代表组合l-1次,获得融合结果。当然本文方法也同样适用于批量同步融合。通过大量的仿真对比实验表明,该方法优势明显,有效地解决了冲突证据合成出现的问题,并能有效兼顾合成结果的鲁棒性和灵敏性。上述方法是对纯数字证据的定量融合,与之相对应,以自然语言形式的决策是一种定性的融合。针对决策中二元语义加权平均算子有时不能作出最优的决策结果,本文按照上述对证据马尔科夫建模的思路对二元语义进行马尔科夫建模,提出基于马尔科夫建模的二元语义决策方法。在实际应用上,由于本文提出的基于马尔科夫链的序贯证据融合方法具有很好的准确率和鲁棒性,正好将其运用到飞机目标识别中,文中提取图像的五种不同特征,并利用改进的组合规则进行多特征融合,从而提出一种基于马尔科夫证据融合飞机目标识别方法。