随着信息技术与物联网技术的发展,人们对感知的需求越来越大,感知是我们获取信息、认识客观世界的基本途径,如何综合处理这些感知数据、获取有效信息以及产生高效的决策行为是众多行业共同的话题。多源性与多维性是大数据环境下产生的新的信息特征,而多源数据融合(Multi-source Data Fusion,MDF)是对多个或多种数据来源进行综合处理从而得到对环境和目标一致和完整描述的信息处理技术,已经成为了大数据与物联网语境下的一个热门概念。信息处理的本质是建模和消除认知过程中的不确定性,复杂的感知场景与海量的数据来源导致信息的不确定性与不可靠性影响着最终的应用与服务质量。本研究重点探索了 MDF与信息不确定性的矛盾关系,以及MDF作用于不确定性的理论框架,具体工作有以下几个方面:首先,本研究整理了传统的与近年来的信息不确定性研究成果,讨论了其在不同理论框架下的推广以及之间的相互关系。其次,本文研究了 MDF与信息不确定性的关系,引用了熵理论在贝叶斯框架下的观测系统证明MDF对不确定性具有压缩能力。另外探索了 MDF的可靠性框架,并总结了两种方式将其结合到传统的融合模型之中。然后,本研究提出了基于多准则决策的MDF框架,综合多层次和多方面的指标可以降低决策的片面性与风险性,通过多目标优化来评估多个准则的权重,构造多准则加权融合模型,仿真结果获得比单一准则和单一层次更高的稳定性。研究中首次提出了基于数据场的多源数据融合(Multi-source Data Fusion Based on Data Field, DF-MDF)理论框架,利用数据场中的势函数构造信任模型,通过扩展了势函数的非各向同性和非对称性建立MDF场景下的信任分布,提出的模型可以满足数据层与特征层的综合不确定性的度量。在WSN目标定位仿真测试中得到较高的性能,在复杂噪声环境下优于传统方法。