随着信息技术的快速发展,为了能够处理在各种复杂应用背景的多样性、大容量、高速、实时的数据,信息融合(Data Fusion)技术越来越受到各个领域专家的重视,其方法包括贝叶斯概率推理法、模糊推理法、Dempster-Shafter证据理论。Yang等在证据推理算法的基础上提出了置信规则库推理方法,该方法在传统IF-THEN规则中加入置信框架,将输入的定量信息或定性知识在构建好的置信规则库中进行推理及分析,为决策者提供决策依据。然而现有置信规则库(Belief Rule Base,BRB)的参数优化方法或依赖于MATLAB中的库函数而使得推理时间过长且可移植性差或由于复杂的公式推导而只有部分参数参与训练而影响系统的推理能力。其次,现有的BRB都以单个系统的方式来应对问题,当参与训练的数据分布不均或数据太少时易导致BRB系统的参数训练不全面、推理结果准确度降低。针对上述问题,本文提出基于加速梯度求法的参数训练方法、集成学习方法,以及基于PAES(Pareto Archived Evolutionary Strategy)多目标优化的选择性集成学习方法。本文具体研究工作如下:(1)针对现有的BRB参数学习方法难移植、实现复杂、计算耗时长等不足,本文拓展参数优化模型,并从求导定义出发简化梯度法(Gradient Descent Algorithm,GDA)中负梯度方向复杂的求偏导过程,提出基于加速梯度求法的置信规则库参数优化方法,并在Himmelblau函数拟合和输油管道检漏实验中验证所提方法的有效性。(2)针对单个BRB系统在数据分布不均或数据量太少时易导致参数训练不全面,使得BRB系统的推理性能下降。在回归问题中,本文在GDA参数优化方法的基础上引入Bootstrap数据重抽取技术和AdaBoost提升算法,分别与BRB系统相结合,提出置信规则库系统的集成学习模型,并在多峰函数拟合和管道检漏实验中分别对两种集成方式的有效性进行验证。(3)针对参与集成学习的BRB系统数量增多时,子BRB间因差异性降低而产生大量冗余的BRB,使得预测速度降低且所需要的存储开销也急剧增加。在分类问题中,本文基于置信规则库分类系统(BRB Classification System,BRBCS),对参与集成的分类器进行二进制编号并将参与集成的分类器数量和分类器的泛化误差作为PAES多目标优化问题中的目标函数,提出置信规则库分类系统的选择性集成学习方法,并在UCI分类数据集的实验分析中验证该方法的有效性。