DS 證據理論（Dempster-Shafer envidence theory）也稱為DS理論，是由20世紀60年代的哈佛大學數學家A.P. Dempster利用上、下限概率解決多值映射問題，由他的學生Shafer於1976年進一步發展起來的一種不精確推理理論，也稱為Dempster/Shafer 證據理論(D-S證據理論)，屬於人工智能范疇，最早應用於專家系統中，具有處理不確定信息的能力。而且Dempster的學生G.shafer對證據理論做了進一步發展，引入信任函數概念，形成了一套“證據”和“組合”來處理不確定性推理的數學方法。D-S理論是對貝葉斯推理方法推廣，主要是利用概率論中貝葉斯條件概率來進行的，需要知道先驗概率。而D-S證據理論不需要知道先驗概率，能夠很好地表示“不確定”，被廣泛用來處理不確定數據。它主要適用於：信息融合、專家系統、情報分析、法律案件分析、多屬性決策分析作為一種不確定推理方法。證據理論的主要特點是：滿足比貝葉斯概率論更弱的條件；能夠強調事物的客觀性，還能強調人類對事物估計的主觀性，其最大的特點就是就是對不確定性信息的描述采用“區間估計”，而非“點估計”，再區分不知道和不確定方面以及精確反映證據收集方面顯示出很大的靈活性。
優點：
1、證據理論需要的先驗數據比概率推理理論中的更直觀和更容易獲得；
2、可以綜合不同專家或數據源的知識和數據；
3、對於不確定性問題的描述很靈活和方便。
缺點：
1、證據需要是獨立的（有時候不容易滿足）；
2、證據合成理論沒有堅固的理論基礎，合理性和有效性爭議大；
3、計算上存在潛在的指數爆炸。
D-S證據理論的基本概念
定義1 基本概率分配（BPA）
設U為以識別框架，則函數m:2u→[0,1]滿足下列條件：
(1)m(ϕ)=0
(2)∑A⊂Um(A)=1時
稱m(A)=0為A的基本賦值，m(A)=0表示對A的信任程度 也稱為mass函數。
定義2 信任函數 （Belief Function）
Bel:2u→[0,1]
Bel(A)=∑B⊂Am(B)=1 (∀A⊂U)
表示A的全部子集的基本概率分配函數之和
定義3 似然函數（plausibility Function）
pl(A)=1−Bel(A¯¯¯)=∑B⊂Um(B)−∑B⊂A¯m(B)=∑B⋂A≠ϕm(B)
似然函數表示不否認A的信任度，是所有與A相交的子集的基本概率分配之和。
定義4 信任區間
[Bel(A)，pl(A)]表示命題A的信任區間，Bel(A)表示信任函數為下限，pl(A)表示似真函數為上限
舉例：如(0.25,0.85),表示A為真有0.25的信任度，A為假有0.15的信任度，A不確定度為0.6。