在面对低质量数据,数据不精确,不完全时证据理论为处理这样的数据具有本质优势。随着人工智能的新一轮兴起,在实际问题当中,各种模型和算法有诸多联系,也有各自的适用范围和优缺点,如何提高模型及算法的优势成为了非常有意义的研究。本文工作如下:第一,论文从证据理论合成的不足出发,对证据源的距离修正,构造了一种新的刻画证据的距离函数,并通过实验分析验证其的合理性,并在这个距离的基础上提出了一种新的合成算法,实验表明验证了本文方法能消除一些证据理论的不足,降低证据冲突,提高了聚焦速率。第二,在MYCIN推理模型上,由于MYCIN模型要求证据之间是彼此独立的而应用在实际问题各证据之间是存在关系的,他们并不是平等独立的。此本文对MYCIN模型进行了改进,并应用改进的MYCIN模型结合第三章中的一些构造思路应用在DS合成中克服了其一些不足。第三,用第三章提出的算法结合KNN分类算法,在图片分类方面做了一定的研究。首先介绍了图片两种重要的特征,提出了特征的权重及其距离的计算。在实验仿真上验证了单个特征去分类,从效果阐述了其特征的价值及其不足,再结合多个特征在用KNN分类器分类,然后通过DS-KNN构建BPA函数,最后进行第三章改进的算法合成得到最终结果。该过程克服了单个特征识别的不稳定,并一步步提高了分类的准确率。