温室环境具有多参数因子、非线性、时滞性及强耦合的特点,为准确判断温室内的环境状况,需要对温室中多环境参数进行综合,从而为温室管理者提供准确的温室调控决策支持。因此,论文针对温室信息融合决策问题,以D-S证据理论为基础,提出一种改进D-S证据理论的决策级融合算法复合框架,为温室调控系统提供决策支持。主要工作和创新点如下:（1）针对D-S证据理论中,由于现有生成基本概率赋值函数BPA方法缺乏考虑证据中的不确定信息,导致生成BPA不合理的问题,提出一种基于模糊支持向量机FSVM的BPA构建方法。该方法通过模糊向量机将一些不确定信息合理表达,利用Sigmoid函数将模糊支持向量机的结果转换为概率的形式输出,从而构建出基本概率赋值函数BPA。算例仿真结果表明,本文构建BPA的方法相较于一些经典方法具有更高的准确性和可靠性。该方法通过模糊隶属度表达出每个样本数据对类别属性不同的影响程度,为下一步进行D-S证据融合提供更加可靠的BPA。（2）为了解决D-S证据理论中冲突证据问题,论文考虑了温室多个环境参数因子之间的相互依赖程度,采用一种修正证据权系数对证据合成方法进行改进。该方法将证据间的距离与相关系数结合来共同确定权系数,用修正的权值系数抑制了证据间的冲突对融合结果的影响。结合此BPA生成方法与修正权值方法,构建出基于改进D-S证据理论的复合模型。仿真测试结果表明,该方法能有效降低证据间的冲突,凸出正确融合结果的置信度,具有更高的可靠性和收敛性。最后搭建温室智能感知系统实验平台,将改进复合算法应用该实验系统中模拟温室环境进行测试。系统通过LoRa组网感知并管理数据,经本文复合决策融合方法得出对温室环境状态的判断,为温室管理者提供相应的决策支持。实验结果表明论文提出的改进证据理论决策级数据融合方法相较于经典方法使不确定量降低10倍,同时在融合准确性和稳定性上均优于其他经典方法,利用该决策级融合方法可实现对温室环境准确判断。