传统的D-S证据理论需要精确的单值证据作为支撑，但在现实世界里，由于种种原因，单值形式的证据很难获得；即便获得，其可靠性也很可能大打折扣，况且单值证据对不确定信息的表达并不完善；为此，学界提出了改进型的区间值信度结构(Interval-valued Belief Structures)以应对挑战。这种符合常人思维的证据能够全面量化不确定性信息。但该理论的完善，特别是作为其运用前提的归一化问题和更新问题还待有进一步研究。为此，本文展开了对区间值信度结构折扣进行优化的归一化方法的研究。当前基于多传感器信息融合的故障诊断系统已成为主流，在D-S证据理论框架下进行故障诊断应用渐成其主要趋势。但随着现代工业设备日趋复杂，也给故障诊断技术提出了更高的要求，传统的基于证据理论的静态诊断方法已难以适应未来实时在线动态诊断的需求，为此，本文在区间值信度结构(IBS)的框架上开展了证据实时更新的诊断策略的研究。本文的主要研究内容如下：1、介绍传统的D-S证据理论和区间值信度结构(IBS)的基本知识以及国内外当前研究状况，并分析了其在故障诊断应用中存在的不足。最后，针对实时故障诊断应用中的实时证据动态更新问题，阐述了现有的证据更新方法和研究进展。2、针对区间值信度结构(IBS)的归一化问题，提出了一种对其折扣进行优化的归一化方法。通过求解最优折扣因子来计算归一化IBS，使得生成的标准IBS包含有最大量的原始信息。还基于区间向量的欧式距离；定义了两个IBS之间的相似性测度，用其度量它们之间含有共同信息的程度；最后通过典型数值算例及大规模随机统计实验证明了所提优化方法的有效性。3、针对实时故障诊断应用中的在线更新问题，提出了一种基于区间值信度结构(IBS)的更新策略。该方法拓展了传统的Jeffrey-like规则和线性组合规则，能根据新到诊断证据的实时变化，自适应的选择合适的更新规则；还能依据新到诊断证据和前几步更新后证据之间的关系，自适应调节线性组合的合并权重。从最后的一系列故障模拟实验可以看出，相比其他更新方法，本策略有着最佳的综合性能。