证据推理（Evidence Reasoning,ER）规则作为Dempster-Shafer（DS）证据理论的重要拓展,它提供了更为严密的概率推理过程,并明确区分了证据可靠性和重要性的概念,是处理各领域中不确定问题的代表方法之一。基于ER规则的分类器模型,能够较好的处理输入属性与输出类别之间映射关系中的不确定性。但是,随着输入属性维数的增加,ER分类器模型的参数会大幅增加,从而加大了模型优化和推理决策过程的计算量。基于此,本文提出基于属性向量化与证据推理（Attribute Vectorization and ER,AV-ER）的分类器设计方法,并应用该分类器解决具体的设备故障模式分类问题（故障诊断）,主要工作如下:（1）基于属性向量化与证据融合的广义数据分类器设计。首先,基于主成分分析（PCA）生成属性向量,并基于属性向量获得参考证据矩阵。然后,使用ER规则融合分类证据,并根据融合结果进行分类决策。在融合过程中,利用遗传算法（GA）对分类器模型参数进行优化。最后,选择University of California Irvine（UCI）中的经典基准数据集进行分类实验,详细叙述了所提出的广义分类器（AV-ER）方法的设计过程,并采用Akaike Information Criterion（AIC准则）对实验结果进行综合评判,通过对比原始ER分类器方法,说明了所提分类器的性能优势。（2）基于故障特征向量化与证据融合的旋转机械设备故障诊断方法。针对具体的旋转机械故障诊断问题,基于（1）中AV-ER分类器给出了相应的故障模式分类方法。首先,对多信息源采集的振动信号进行特征提取;再基于PCA方法构建故障特征向量样本的参考证据矩阵,并获取相应的证据可靠性因子;然后基于ER规则进行故障证据的融合与故障决策;在融合过程中,利用遗传算法对初始模型参数进行优化;最后,在多功能电机转子试验台上实施了故障诊断实验,通过对实验结果的综合评判,验证了该方法的有效性。（3）故障特征样本不均衡条件下的旋转机械故障诊断方法。针对故障诊断中正常样本数据量多而故障样本少这一不均衡典型问题,在（2）中诊断方法的基础上引入分层式ER融合方法。该方法通过引入更多的相关历史样本参与融合推理过程,增加推理模型接纳的有效样本信息量,以增进辨识精度。最后,在电机转子故障诊断实验中,通过对比单层模型诊断结果,说明分层融合能够有效提升诊断精度。