在工业生产过程中,工业报警系统能够对过程变量进行分析处理,以研判关键设备的异常状态,并发出警报以便能够及时对其采取维护措施,以免出现重大损失。报警系统的性能指标可以由误报率（FAR）、漏报率（MAR）、平均报警延迟（AAD）来评估。传统的报警器设计方法通常是在获取过程变量概率分布特征后,理论推导出三个性能指标的概率表达式,然后基于这些概率模型优化报警器的阈值等参数,从而设计出满足性能要求的报警器。概率模型能描述过程变量整体上和宏观上的变化规律,但在时间维度上,过程变量连续采样值之间微观的不确定性变化难以用概率模型精确捕捉。而Dempster-Shafer（DS）证据理论在处理不确定信息方面相对概率法具有一定的优势,已有学者将其应用到报警器的设计中,并取得了显著的效果。基于DS证据理论,本文综合考虑了过程变量变化的宏观概率特性和微观动态特性,设计性能更加优越的报警器,主要工作如下:（1）过程变量有限高斯混合（FGM）概率模型的构造方法。将二元分割法（Binary Segmentation,BS）与Pettitt检验法相结合（BS-Pettitt）进行过程变量采样值序列的多变化点检测,并基于假设检验方法对正常和异常数据进行分类。然后,基于有限高斯混合模型分别估计出正常状态和异常状态的概率密度模型,为后续报警器设计打下基础。（2）概率型报警证据迭代融合及工业报警器设计。基于（1）中的概率模型,计算过程变量采样值处于正常和异常状态的概率密度,通过概率密度值的归一化处理,将过程变量数据转化为报警证据;利用证据推理规则迭代融合当前和历史时刻的报警证据,并利用融合后的报警证据进行决策。（3）样本不均衡条件下的报警证据构建与报警器设计。对于过程变量数据表现出不均衡特性（异常样本远少于正常样本）,以及生产过程中正常、异常状态切换较为频繁的情况,（1）中概率模型的精度就难以保证。此时,利用基于样本投点统计的似然概率归一化方法,构建过程变量的参考证据矩阵（REM）,以客观描述不均衡特性,并从中获取报警证据;最后利用（2）中的证据推理方法实现融合决策。对于以上研究内容,通过仿真实验和工业案例说明所提方法相较于传统报警器设计方法,具有更好的综合性能。