随着大数据智能领域的迅速发展,人类向着信息化社会不断前进和突破,现在已经进入到了现实世界和虚拟世界相结合的时代。如何综合分析不同领域带来的不同体量和维度的信息来提供正确的决策是当前领域发展必须面临的问题。在多类型信息源融合的实际应用过程中,一般都是通过传感器来获得相应的信息,传感器的信息收集是多传感器融合过程中至关重要的第一步,信息源的可靠性收集决定着最终的决策结果是否正确。现实情况中,由于恶劣天气、传感器故障、虚假信息干扰等不可逆的影响,目标信息可能是不完整和未知的,最终会产生不确定、不准确的信息,所以,我们必须首先对收集到的信息进行分析和评估处理,如果不对数据进行区分处理,那么很有可能得出不正确的融合结论而导致决策产生严重的问题。因此,本文的主要研究内容就是在信息不完整、不精确的环境下,如何对不同的数据来源进行有效的融合,并且能够有效地解决冲突问题。对信息资源进行处理的信息融合技术种类繁多,其中最为经典的理论就是Dempster-Shafer证据理论（D-S理论）。目标信息往往是不完整的,而D-S理论对于不完整性目标信息的分析和融合具有高效性,可以在不确定性的环境下对融合信息进行有效建模。因为其处理不确定性信息的灵活性和有效性,被学者们广泛的关注和研究,并且应用于信息融合的各个决策领域。一方面,它不仅可以把概率分配给由单一对象组成的命题,而且也可以分配给这些命题对象的组合,从而明确地表示无知的情况。另一方面,它提供了一个经典组合规则,可以在不确定性存在的情况下对不完整模型来进行有效的融合,最后利用融合结果进行分析决策。因此,本文主要是以D-S理论作为理论基础来研究不完整信息的有效融合问题,具体的研究内容如下:（1）基于信任函数的不完整信息融合研究本文从信任函数的角度提出了一个能够衡量不同证据体之间差异性的散度公式。其次,通过考虑证据体冲突大小不同的情况下来进行更加有效的融合,最终提出了一个新的权重分配模型来解决不同信息之间的冲突情况。在冲突数据存在的情况下,通过考虑信息之间的联系,以及信息的不确定性度,从多层次的角度来衡量多种信息来源的可靠性,最后基于散度和信息量定义了相应的权重分配模型,来衡量证据体的重要性程度大小。最后,再对信息进行权重分配获得融合结果,然后利用Dempster组合规则对冲突信息进行有效的融合。（2）基于KL散度研究不完整信息的加权融合问题本文我们提出了一种基于KL散度用于度量证据体之间散度的公式,在此基础上提出了一种将散度与熵相结合的多传感器数据融合方法。该方法通过考虑证据之间的可信度来对不同的证据体分配相应的权重,通过对证据的不确定性度量来体现不同证据体对最终决策影响的程度,然后可以在借助Dempster组合规则之前获得更合理的加权平均证据。首先利用支持度来表示证据的相对重要性,然后得到每个证据的不确定性度量,之后,对每个证据体的可信度进行归一化操作。在融合的过程中,可信度被作为对每一个证据的重要性分配,也就是最终权重。在权重计算的基础上进行融合得到唯一的证据体,最后,利用Dempster组合规则对获得的唯一证据体进行多次融合,最终获得每个目标对象的概率分布情况。将本文提出的不同散度公式以及权重分配模型都应用到了实际的算例和实验当中,与经典的算法模型相比,对比结果都表明本文的算法在融合不完整信息时得到的融合结果收敛性更强、准确性更高,更具有广泛的应用范围。为了进一步体现融合模型在处理不完整信息和高度冲突信息的解决能力,我们通过对公开数据集进行相应的操作来模拟现实情况中信息冲突和干扰的情况。最终结果表明,我们的融合模型可以有效的解决信息不完整以及冲突情况下的有效融合,进一步体现了该算法的鲁棒性。