极大似然证据推理（Maximum Likelihood Evidential Reasoning,MAKER）规则作为证据推理（Evidence Reasoning,ER）规则更广义的扩展,弥补了ER融合过程中没有考虑多个证据之间相互依存关系的不足。对不同属性（特征）中抽象出来的证据,引入相关性因子来度量证据之间普遍存在的相互依赖性,从而提高多源信息分类决策的准确性,为证据融合创造了一个更加严谨的推理流程。因此,本文在充分考虑证据之间相关性的基础上,设计了一种基于MAKER规则的分类器,以挖掘更多的相关性信息进行数据分类。随后,在该分类器的基础上进行改进,将MAKER规则应用于旋转机械设备故障诊断中,分别针对故障样本数据完整和数据缺失的情况进行研究,主要工作内容包括:（1）基于MAKER规则的广义分类器设计。首先,利用主成分分析法（PCA）对样本集进行特征选择;其次,基于MAKER规则中对相关性因子的定义,通过构建证据空间模型（Evidence Space Model,ESM）获取证据间的相互依赖程度;然后,利用MAKER规则对分类证据进行融合,再使用ER规则对融合结果实现分类决策。最后,在加利福尼亚欧文分校（UCI）提供的经典分类数据集上进行实验,从而验证MAKER分类器的性能相较于其他经典分类器略有优势。（2）基于MAKER规则的旋转机械故障诊断方法。在（1）中的MAKER分类器的基础上进行改进,设计了一种MAKER诊断模型。该方法以特征向量的形式构建联合证据空间模型（ESM）,进而计算多个证据间的相互依赖程度;再利用MAKER规则实现融合与决策来预估测试样本的故障模式;在融合过程中,利用遗传算法对诊断模型参数进行优化训练;最后,通过电机转子故障诊断实验验证MAKER诊断模型在旋转机械故障诊断中的有效性。（3）不完备样本条件下的旋转机械设备故障诊断方法。考虑到实际故障诊断中特征值数据缺失的情况,基于（1）中MAKER分类器,给出一种针对不完备样本的故障诊断方法。该方法将数据中存在空值这一情况视作样本特征的正常特性,缺失值以证据的形式参与到融合决策中。最后,通过滚动轴承故障诊断实验验证了所提方法在数据缺失情况下的故障诊断中性能优异。