在多源信息融合过程中,错误信息或欺骗信息管理是一个重要问题。欺骗证据的存在可能对最后融合结果造成极大隐患,如何识别欺骗证据是反欺骗信息融合的关键。本文尝试使用合作博弈理论中Shapley值思想,基于证据距离对融合系统异常的“边际贡献”得出所有基本概率指派函数（Basic Probability Assignment,BPA）组合的协作收益值,进而对信息融合中是否存在欺骗证据进行有效判定。在此基础上,采取不同融合策略,初步建立了一套面向证据理论的反欺骗信息融合机制,为研究信息融合的推理和决策提供理论参考和方法支持,并将其应用于奶山羊运动行为分类中。本文的内容主要包括:（1）基于Shapley值的欺骗证据判定模型研究。为了判定一条证据是否应该融合,本文首先对证据间差异度量方法进行分析,并讨论和概括了欺骗证据及冲突证据的概念和区别。提出利用平均加权方法对证据进行冲突预处理后,使用证据距离构建BPA合作收益模型,为欺骗证据的慎重判断和确定提供方法框架。同时,通过Shapley值特征对证据源中存在的欺骗证据进行判定和筛选,将证据源中Shapley值最大的证据为欺骗证据并剔除,为证据融合策略的研究提供基础。（2）基于Shapley值的证据融合策略研究。根据欺骗证据判定结论,对证据源中的证据采取不同的融合策略:当判断证据源中存在欺骗时,基于Shapley值特征将欺骗证据筛选出来并采取丢弃策略;对不存在欺骗的证据,针对证据不一致导致的证据冲突问题,构建了一种基于Shapley值确定证据权重的模型方法,获取各个证据的权重以对证据进行折扣处理,进而使用Dempster组合规则得到最终融合结果,实现有效管理证据冲突而得到不确定性较小的融合结果。（3）奶山羊运动行为识别的应用。通过利用目标奶山羊身上绑定姿态传感器的智能穿戴设备获取其躺卧、站立、行走以及刨地四种运动行为数据,利用正态分布模型转换为BPA,然后基于反欺骗方法模型进行证据判断,通过证据融合策略得到最后融合结果。实验结果验证所提出方法在奶山羊运动行为分类的平均准确率为98.5%,满足智能化奶山羊养殖运动行为分类的应用需求。