不确定性信息融合是军事领域研究的热点问题。信息融合技术可分为低级别融合和高级别融合，前者是对作战目标的位置及属性估计，而后者包括战场态势估计和威胁估计。态势估计是在低级融合层次获取战场目标及环境信息的基础上进行战场态势分析，并预测态势的变化趋势。态势估计的实质是综合大量的多来源、多类型以及带有不确定性的信息，并对这些信息进行综合推理估计后掌握战场当前态势及未来态势的过程。本文主要研究战场复杂环境下的态势知识表示及不确定知识的推理方法，具体工作包括：首先，在分析信息融合功能模型及其演变的基础上，对态势估计的基本定义、概念做了简单介绍，并对态势估计功能模型、知识表示及知识的不确定性推理等相关知识作了详细描述，为本文态势估计不确定性推理算法提供了重要的理论基础。其次，介绍了贝叶斯网络构建及模型的推理，在此基础上给出了基于贝叶斯网络的态势估计方法的基本思路和应用方向。针对以往贝叶斯网络态势估计方法无法动态适应战场变化的情况，提出了动态贝叶斯网络态势估计方法。该方法通过将静态贝叶斯网络转化为带有时间因素的动态贝叶斯网络来对战场态势进实时估计预测，提高了贝叶斯网络态势估计的精确性，能更好地反映战场动态规律的变化。通过仿真实例证明了动态贝叶斯网络在态势估计中有效性和适用性。然后，针对军事领域中知识及信息的多样化、不完全性、不精确或不确定性等问题，采用D-S证据理论研究战场态势的估计和推理。D-S证据理论作为贝叶斯方法的一种扩展方法，满足比概率论更弱的条件，使其在不确定信息的表达及合成方面具有更大的优势。仿真结果表明D-S证据理论在态势估计中能产生较好的推理结果。最后，针对D-S证据理论方法态势估计中出现的命题质量函数值为零的情况，常规的概率转换方法不能很好地处理时，本文提出了利用HDSmP方法将信度函数近似转换成概率函数，最终将信度域的态势估计转换成了概率域态势估计。最后通过实例证明了该方法在降低态势估计命题不确定性的有效性。