在错综复杂的感知环境中，数据一般具有高不确定、高冲突以及高维度等特性，特别是当系统面临对抗、干扰、欺骗以及高维特征等诸多挑战时尤为突出。在高层融合框架目标检测识别中，不确定数据分类、融合及重构等是亟待解决的重要问题。

    在不确定数据分类中，近年来国际信任函数理论及应用协会主席Denoeux教授等著名学者发展了一类证据分类方法，但仅考虑了目标属于各类以及未知的可能性，无法对局部不精确信息有效地表示分析，导致识别错误率高，这是目前不确定数据分类中的难点；在多源数据融合推理中，辨识框架不能随时间变化，识别结果一般限制在确定的框架内，不能处理和发现识别异常变化目标，这是证据推理领域国际上长期研究的难点；在当前国际高维数据重构的研究中，重构质量主要基于主观评价，缺少客观评价指标，难以对高维重构性能进行统一客观准确的评判。如何发展更具鲁棒性的不确定数据推理和高维数据重构理论，显著改善不确定环境下系统可靠性和目标检测识别性能，将具有重要的理论意义和实用价值。

    本项目在国家自然科学基金重点项目等支持下，瞄准不确定数据推理和高维数据重构国际学术前沿，围绕国家战略需求，针对不确定数据分类识别、融合推理和多维度联合重构等重点难点问题，开展了基础理论及应用研究，取得了以下重要进展：

（1）突破了概率框架限制，在幂集空间下构建了广义信任学习模型，提出了一系列信任分类和信任聚类方法，允许目标数据以不同的基本信任值属于任意单类，还能属于任意复合类（集合），能够对不精确信息合理表示分析，显著降低识别错误率，通过优化使错误风险与模糊度综合代价达到最小，开辟了分类学习一个新的发展方向。

（2）突破了高层融合推理非时变性瓶颈，定义了开放辨识框架和状态转移空间，提出了新的证据不一致性度量，建立了鲁棒动态证据推理决策理论，能够对非独立、弱互补、高冲突数据有效融合处理，显著降低不确定环境下的综合决策风险，开拓了证据推理新的研究领域。

（3）突破了传统数据重构主观评价局限，构建了基于像素和结构特征的高维数据重构质量客观评价指标体系，提出了稀疏框架下空间与光谱联合相关性高维数据重构方法，成为当前国际上客观图像重构质量的重要标准，并显著提升了基于高维数据的目标检测识别性能。