汽车信息物理融合系统,简称为汽车CPS(Cyber-Physical System),能够从环境中感知数据,进行数据融合,提取有效信息,并根据反馈的信息来完成对汽车的控制,使得汽车更易于驾驶,响应更快、更安全、更智能。汽车CPS中收集到的数据具有异构性、实时性、海量性、冲突性等特点,如何对这些数据进行有效的融合成为汽车CPS研究的关键。本文在分析数据融合的基本理论及典型的数据融合方法的基础上,针对汽车CPS中数据的冲突性问题,重点研究了Dempster-Shafer(DS)证据理论和模糊理论在冲突数据融合过程中的若干关键问题,主要包括以下几个方面:(1)基于DS证据理论中命题的信任度函数和似真度函数,提出一种新的将基本概率分配函数转换为概率的方法BPFT。相比于现有的基于Pignistic概率的PPT转换和基于似真度函数的PFT转换,BPFT转换可以更充分地利用系统的已知信息,使转换后的概率更加可靠、合理。(2)提出一种基于模糊贴近度和相关系数的证据冲突测量方法。首先利用BPFT转换把基本概率函数转换为概率向量表达;然后借助模糊贴近度来表示概率向量之间的冲突程度,并引入相关系数的概念来表示不同证据所支持的最大假设的冲突程度;最后利用模糊t-余模公式将模糊贴近度与相关系数进行组合得到新的证据冲突测量方法。仿真实验表明,所提出的冲突测量方法可以从两个方面反映出证据的冲突程度,使测量结果更加有效。(3)提出一种基于模糊证据理论的冲突证据融合方法。首先利用提出的冲突度量方法计算出各证据间的相似度,通过构建模糊相似矩阵计算出各证据的支持度及可信度,得到各证据的权重;然后借鉴Shafer的折扣规则对证据源模型进行修改;最后利用基于矩阵分析的快速融合规则对修改后的证据源模型进行融合。仿真实验表明所提出的融合方法能够合理的解决冲突数据的融合问题,不但具有良好的鲁棒性,而且融合速度较快。(4)针对汽车CPS中数据的特点,分析了汽车CPS中数据融合的必要性,并设计了一种基于汽车CPS的实时路况评估模型,应用基于模糊证据理论的数据融合算法仿真实现路况信息的证据融合,实时评估道路的交通状态,为交通管理者和出行者决策提供可靠的依据。