证据理论是一种常用的不确定性推理方法,以其完备的数学基础,能方便地表达与处理信息的不确定性,并且证据理论拥有其自身的优势,但是经典证据理论合成方法在运用时,会出现与人们认知相悖的情况,从而使其运用受到一定的限制,为此国内外学者从各个角度出发,提出众多的改进思想,进一步发展和优化了证据合成方法。在以往学者的研究基础上,本文从证据源出发,着重考虑证据源间的信息,提出一种基于信息度的证据合成方法,同时建立合成结果有效性评价函数证据熵来反应合成结果的有效性。在证据理论的运用上,结合分类问题,利用证据理论思想,提出基于证据理论的决策树构造方法,并且分别用算例验证本文方法的有效性。基于信息度的证据合成方法,首先考虑证据间的关系,构造信息度表示证据间关系,利用信息度修正证据源,而后进行证据合成,对于合成结果,采用证据熵来反映合成结果的有效性,通过与已有合成方法的比较,可以看出本文方法在聚焦速度上有很大的提高,同时也保证合成结果的合理性。另一方面,在证据理论的运用上,对连续型数据进行分类时,充分考虑数据的不确定性,引入证据理论构造转化训练集的函数模型,利用本文提出的证据合成方法,对转化后的训练集进行证据合成,结合决策树构造思想,建立类属性熵定义与属性熵定义,生成基于证据理论的决策树,利用数据集对此方法的进行验证,并且与经典决策树算法进行比较,说明此方法的有效性。