DS证据理论因其能很好的处理不确定信息而成为应用最广的信息融合方法之一,但DS理论在工程应用中一直存在两大难题,一是基本概率赋值函数(BPA函数)的生成问题,二是DS理论在处理冲突证据时会出现悖论结果。本文主要从这两个方面对DS理论进行了研究和改进,并在改进DS理论的基础上提出一种多分类器决策融合模型。首先,由于轨道振动、环境因素等,转向架上的传感器获得的信息可能存在较大冲突,以往对证据冲突的改进方法主要关注于融合的聚焦程度,而未考虑冲突消解,因此,本文提出一种基于折扣算子的DS改进方法,建立了折扣系数的优化模型,实现了权重寻优,对证据源折扣修正的同时进行冲突消解,在下一次的融合中,减小了冲突带来的融合危险,且聚焦能力和消减冲突之间可以根据实际需求灵活地调整。通过经典算例分析说明了方法的有效性。使用基于广义三角模糊函数生成BPA之后,将本文改进的DS方法与其他融合方法对比,说明了基于折扣算子的DS改进方法能够更好的处理证据冲突,识别率均高于其他融合方法。其次,由于以往的研究均由其应用背景来设计BPA函数,对BPA的生成建模并没有较为公认的方法。本文结合高速列车转向架故障数据的特点,引入广义三角模糊函数来构造各故障类别的概率赋值,提出一种适用于转向架单故障数据的BPA生成方法。由于抗蛇行减振器故障类别数目较多,引起计算量的爆增,焦元赋值较低等问题,在原方法基础上通过设定阈值和减少焦元个数进行了改进。然后,使用基于折扣算子改进的DS方法对生成的BPA进行融合,得到最终的决策结果。将该方法应用到UCI数据集上,验证了方法的有效性。将该方法应用高速列车转向架故障数据中,并与其他BPA生成方法对比,说明了本文BPA生成方法简单有效,且能获得更高的分类准确率。最后,本文在基于折扣算子改进的DS方法的基础上,提出了一种多分类器决策融合模型(Mul-DS)。为了更好的评价分类器系统的差异性,本文将证据距离作为分类器差异性度量的新指标,与传统指标(Q统计量)结合,形成综合指标来选择最优的多分类器系统。用混淆矩阵来衡量子分类器的可信度,并将该可信度加权融合到BPA函数中,然后以本文基于折扣算子改进的DS方法作为决策融合方法。将该方法应用到UCI标准数据集以验证该方法的有效性。在高速列车转向架故障数据实验中,将Mul-DS方法与单一分类器进行对比,表明本文Mul-DS方法能够稳定的提高分类准确率。