随着各种物理、生化类先进传感器的发展，特别是某些传感器技术还不是很成熟，使得测量的信息呈现量大、多维、动态、不确定、不完整和时空变异等特点，使得系统对后续信息处理提出了更高的要求。由于传统的数据分析方法已经很难适应要求，因此如何将这些传感器测量数据进行分析，最大限度的降低单个传感器所提供信息的误差以及多传感器所提供信息的不确定性，是亟待解决的问题。本文主要对不确定信息的融合方法进行了研究，获得了一些有意义的成果，其主要研究内容如下：1．针对土壤参数野外测量时存在多种因素干扰问题，采用粗糙集理论对多传感器采集的原始数据进行属性约简和目标约简，减少采样时的噪声和冗余，再根据预处理的信息结构构建支持向量机的信息预测系统，解决小样本和不确定条件下的多传感器数据融合问题，为了获得最优的融合精度，采用粒子群算法来优化融合参数。2．针对DS证据理论处理不确定信息存在无法解决冲突信息的缺陷，提出一种基于加权证据距离的数据融合来提高融合效率。首先采用加权的DS理论对证据进行处理，然后以各加权证据与期望证据构成修正的证据距离。其次采用最优化的思想，将修正的证据距离作为改进粒子群优化(Particle Swarm Optimization, PSO)算法优化的目标函数，在此基础上获得证据距离最小时的各个证据权值，最后采用DS组合方法进行加权合成，得出融合结果。3．针对递推加权最小二乘融合存在算法鲁棒性较差等缺陷，在传统最小二乘算法研究的基础上，提出一种基于自适应权值的鲁棒加权最小二乘算法。按照不同的权值设计准则，得出所需的测量估计值，并且采用鲁棒权因子和学习因子的加权原则，充分利用测量数据中冗余信息，进一步提高冗余系统测量数据的估计精度。4．针对传感器管理在数据融合系统中地位与作用，提出一种智能化的传感器管理算法，通过进化算法自下而上地评价每一个控制决策使得系统的不确定性最小。首先为了取得最优的传感器测量参数将采用粒子群算法在参数空间中进行自下而上地搜索，再采用贝叶斯网络直接设计系统目标与全局性能指标之间的关系，从而使得算法更适合评估当前环境形势以及正确选择基于系统条件和传感器输入的合适性能指标，最后建立全局性能指标，并采用粒子群算法搜索最佳选择的传感器参数，最终实现对传感器资源的优化配置。