目前，各种智能系统都是依靠传感器来获取各种信息的。每一个传感器构成了一个信息源，由于每一种传感器都有其各自的使用范围和精确度，因此仅依靠单一传感器是无法满足准确地了解未知环境和研究对象的要求的。所以，采用多传感器系统以及相应的多源信息融合技术，将大大提高对事物和环境认识的可靠性和准确性 [1～3]。
在常规超声检测中，都是依靠探头(超声传感器)来获取有关缺陷信息的。这些探头各自的适用范围有限，为了弥补单个探头所获得的信息不足这一缺点，往往采用几个探头分别检测，然后对缺陷做出诊断。虽然这样能了解比较多的关于缺陷性质的信息，但如何对这些信息进行综合，从而减少诊断中的不确定性，提高可信度，仍是比较棘手的问题。采用多源信息融合技术，即通过对多种探头获得的关于未知缺陷特征信息的分析与综合，能够得到对该未知缺陷特征全面的、一致的估计。本文基于证据推理方法，研究了信息融合技术在超声检测中的应用，并在此基础上探讨了人工反射体的识别与分类问题。
1 Dempster-Shafer(DSER)理论与推理表达式
1.1 DSER理论
DSER理论假设有一个关于诊断假设集合[4]。这种集合叫“识别框架”，记为θ。所谓框架就是一种描述某种形态的数据结构。这里是指在某个域中所有不相容的命题可能值的有穷集合，于是θ的幂集2θ构成了该域中所有命题的集合。在θ中的诸假设被假设为互相排它的。DSER应用于信息融合时，据通过构造相应的基本概率分布函数，对所有的命题(包括θ)赋予一个置信测度。对于一个基本概率分布函数以及相应的识别框架θ，合称为一个证据体，因此每个探头相当于一个证据体，而信息融合实质上就是在同一个识别框架下，利用Dempster合并规则将每个证据体合并成一个新的证据体，即将不同证据体的基本概率分布函数合并，产生一个总体基本概率分布函数，而产生的新证据体表示了融合信息。
2.1 证据合并的Dempster规则[5]
置信函数适合于证据表达式，对于在同一识别框架但基于性质不同的证据体，给定不同置信函数。Dempster的合并规则可以计算它们的“正交和”，基于合并的证据产生一个新的置信函数。通过它可以容易提供用于Dempster规则的不确定的先验证据。这里我们以两个置信函数为例讨论合并方法。
假设m1是在框架内的一个置信函数的基本概率赋值，且第1个置信函数的焦元为A1，…，Ak，那么由基本概率数估测的概率质量 m1(A1)，…，m1(Ak)，可以一个单位长线段的子线段描述，如图2的横轴;用相同方法，以基本概率赋值m2和焦元B1，…，Bl形式用于第2个置信函数，如图2的纵轴。图2表示m1和m2的2个线段以垂直合并方法获得正方形，为了得到第1个置信函数和第2个置信函数的综合，可以认为正方形代表总的概率质量，且假设第1个置信函数分配垂直条给它的焦元，而第2个置函数分配水平条给它的焦元。例如，图形选中大小为m1(Ai)的一个垂直条，它精确地由 m1分配给Ai，而大小为m2(Bj)的一个水平条精确地由m2分配给Bj。这两个条的相交区的大小为m1(Ai)m2(Bj)，且因为它被分给Ai和 Bj，可以说影响第1个置信函数和第2个置信函数的点精确地分给Ai∩Bj。类似，能准确地分配图中每一个矩形。
