工业过程中主要过程变量的变化可以反映设备的运行状况。报警器的作用是通过对过程变量采样信号的处理，并将其与相应的报警阈值比较，对设备异常进行超限报警。衡量报警器性能的指标通常包括误报率(FAR)、漏报率(MAR)和平均延迟时间(AAD)。传统的报警器设计方法通常是在过程变量统计分布已知的假设下，通过概率方法优化报警器的阈值等参数，设计出满足一定性能指标要求的报警器。由于设备实际运行及状态监测中各种不确定性因素的影响，使得过程变量在具有随机不确定性的同时，往往还会具有认知不确定性。此时，原有的基于概率论的传统报警器设计方法将不再适用。而Dempster-Shafer证据理论在对这两类不确定性信息的表示、推理及综合处理方面相对于概率论具有一定的优势，特别是该理论中给出的证据组合和更新规则，可以将多个证据进行融合，从而有效地降低报警信息的不确定性。在对概率论框架下传统报警器设计方法总结和分析的基础上，本文针对过程变量具有随机和认知不确定性的情况，基于Dempster-Shafer证据理论给出了一类单变量和多变量报警器的设计方法，主要工作如下：(1)基于证据更新的单变量报警器设计方法。设计模糊隶属度函数形式的模糊阈值，将过程变量采样数据超过或低于该阈值的程度转化为报警证据，利用条件化证据线性递归更新规则融合当前和以往时刻的报警证据，并利用融合后的报警证据在一定的决策准则下输出报警结果。通过仿真对比试验说明新方法比传统方法具有更好的性能。(2)基于融合权重在线优化的证据更新的单变量报警器设计方法。针对研究内容(1)中前后时刻报警证据的融合权重是离线确定的，其取值具有一定的经验性，当其选取不合理时可能会导致设计出来的报警器性能下降的问题，提出一种基于证据距离的在线优化方法动态地确定融合权重，从而给出性能最优的报警器。通过仿真对比试验说明新方法比研究内容(1)以及传统方法具有更好的性能。(3)基于证据可靠性评估的多变量报警器设计方法。针对单变量报警器所给出的报警结果不一定完全可靠的问题，提出一种基于证据可靠性评估的多变量报警证据融合方法。基于Pignistic概率距离的优化方法，对内容(2)中报警器输出的单变量融合报警证据求取可靠性折扣因子，利用Dempster组合规则将多个经折扣后的单变量报警证据进行融合，得到多变量报警证据。通过仿真算例验证了所提方法的有效性。