现实生活中的信息由于受各种主观因素和客观环境的影响,常常存在一定的不确定性。通过对不确定信息进行建模,能够有效地提取给定信息的本质特性,进而利用某些数学方法来分析和解决实际问题。证据理论中的基本概率指派(BPA)函数,具有表达“不确定”和“不知道”的能力,能够在无先验信息的条件下利用环境中的信息进行不确定信息建模和推理,因此在不确定信息的表示和建模方面具有显著的优势。然而,如何合理地生成BPA函数是证据理论在实际应用中仍需解决的关键问题之一。本文将对证据理论中的不确定信息建模问题(也即BPA的生成问题)进行研究。通过对现有的BPA生成方法进行分析,我们发现现有的方法在BPA生成过程中没有同时考虑到信息源的可靠性对其生成的影响,这可能会导致生成的BPA不合理。本文将针对这一问题进行深入研究,旨在促进证据理论的发展与应用。本文主要的研究成果和创新点如下:本文首先提出了一种基于属性权重的BPA生成方法。该方法根据在每个属性下不同类别的高斯模型间的相似程度,赋予各个属性不同的权重来反映该属性在实际应用中的相对可靠程度。然后,将该属性权重作为一个影响因素来修正传统的BPA,进而得到一个包含了可靠性信息的BPA函数。该方法采用高斯型模糊数进行建模,能够充分地获取训练集的特征信息。最后,在多属性分类以及故障诊断中的应用算例验证了该方法的合理性和有效性。然后,在进一步的研究中,我们发现信息源的可靠性不仅与类别间的相似程度有关,还与实际测试的样本有关。为了解决这一问题,本文基于Z数的思想,创新性地提出了一种基于可靠性的二元组BPA生成方法。该二元组BPA是一个有序对,记为(,)。其中,第一部分表示的是一个基本概率指派函数,第二部分被用来度量第一部分的可靠程度。该有序对实现了自动生成一个包含可靠性信息的BPA函数,有效地表达了信息的不确定性及可靠性。该方法对基于属性权重的BPA生成方法进行了改进,主要体现在:该方法在度量可靠性时进一步考虑了测试样本与属性模型重叠区域间的风险距离,更加合理有效。