D-S证据理论是一种决策级融合算法，在信息融合和决策方面有着广泛的应用。证据理论用于不确定推理，它可以将客观世界的种种观测信息与数据作为条件，对系统中各基本概率进行归纳和组合，进而做出正确的决策。近年来，证据理论发展迅速，而如何在应用中依据数据和规则构造证据理论推理网络以及如何融合互相冲突的证据等问题成为证据理论应用研究的难点和热点。　　 本文对证据理论算法及其在目标识别与检测中的应用等问题进行研究，主要研究内容作如下:　　 (1)重点研究证据理论算法，从合成规则的改进和证据模型的改进两个方面，对比和分析了几种经典算法处理冲突证据的能力，然后给出一种基于加权平均的算法，将其用于处理冲突证据的仿真中，实验表明，该方法不仅改善了融合结果，还可以从某种程度上减少计算量。　　 (2)将不变矩理论和证据理论相结合应用于二值序列图像识别问题中。提取二值图像的不变矩特征，通过目标图像与模型库中图像矩特征之间的欧式距离构造基本置信指派，将多帧二值图像作为证据，应用证据合成算法进行证据融合后，判决目标类型。构造两种不同的置信指派函数以飞机图像为例进行仿真，将识别结果与传统近邻法对比，并将不同合成算法的识别结果进行对比分析。　　 (3)基于HOG特征提取，将证据理论用于灰度图像的目标检测问题中。对目标图像进行HOG特征提取后，输入到二元SVM中，用SVM的分类错误率的上界来加权Platt模型的概率输出作为基本置信指派。连续的三帧图像为一组证据，对其进行合成后根据判决准则进行判决。在传统HOG+SVM行人检测的基础上，进行HOG+SVM+DS方法的仿真，并进行对比分析，仿真结果表明，该方法用于灰度图像的目标检测具有较高的准确性并且可以显著提高检测速度。同时，对SVM应用中数据失衡问题进行了讨论。