信息融合技术能够实现多源信息的表示、推理和融合决策等功能，但是，由于传感器自身性能及工作环境中噪声干扰的影响，使得观测信息常具有不确定性。Dempster-Shafer证据理论在解决不确定信息的表示和融合等方面具有独特的优势，其解决问题的思路是先将描述系统的不确定信息转化为证据，然后再利用Dempster组合规则对转化得到的证据进行融合。但是在实际应用中，证据理论面临两个主要问题：一是如何基于不同的不确定信息生成证据；二是如何解决融合时的证据冲突问题。针对以上问题，本文以Dempster-Shafer证据理论和模糊集理论为工具，在各种不确定信息下的证据生成和融合等方面展开研究，主要工作如下：(1)基于广义模糊数相似性度量的证据生成方法。结合广义模糊数的指数距离、周长和面积等因素提出一种新的广义模糊数相似性度量方法，并用12对典型的广义模糊数验证新方法的效能。通过电机转子诊断实例验证新方法能够利用更多信息生成证据。(2)基于随机模糊变量相似性度量的证据生成方法。利用随机模糊变量表示受随机性和模糊性影响的观测数据，提出一种适用于随机模糊变量的相似性度量方法用于生成诊断证据。通过电机转子诊断实例验证新方法的效能。(3)基于Pignistic逆转换的自然语言信息证据生成方法。基于Pignistic概率转换及其逆转换，给出一种从语言信息中提取非嵌套型证据的新方法，通过目标识别例证新方法生成的证据非特异性更小。(4)基于多目标优化的冲突证据融合方法。基于证据距离准则提出了一种折扣系数优化学习模型，优化过程同时考虑提高聚焦程度和消减冲突，通过目标识别例证新方法在聚焦能力和冲突消减两方面都更合理。