4.3 证据理论与贝叶斯判决理论的比较
在证据（Dempster-Shafer）理论中，可以把表示不确定概念的概率直接分配给不知道事件，也就是能分配给识别框架Θ里的任何命题，从这一点来说，证据理论比贝叶斯理论更具一般性。而且在证据理论中，可以把传感器的分类错误，用直接分配给由不知道所引起的不确定（即赋予识别框架Θ一定量的概率分配值）来表示。在此理论中，还可以把概率分配值赋予识别框架中各命题的并命题。而在贝叶斯理论中，则只能把概率分配给原始的子命题。
例如，在贝叶斯推理中，用数学公式表示就是
这是因为在贝叶斯理论中，假设a和b是互斥的。
但在证据理论中，可以用如下的数学公式表示为
Shafer曾经用一种更一般的说法描述了贝叶斯理论的局限性：贝叶斯理论不能区分“缺乏信任”和“不信任”这两个不同的概念。当我们对某一命题的反命题增加信任时，贝叶斯理论却不允许我们对原命题减少信任。
贝叶斯理论对“不知道”和“不确定”这两个概念没有区分的表示方法。在使用贝叶斯理论时，我们必须知道或者假设好先验概率分布。贝叶斯支持函数把识别框架Θ中的每个子命题所对应的概率分配值都固定住，使它们没有自由移动的空间，也就是说没有了命题的不确定区间。要想使用贝叶斯支持函数，必须要想办法把支持度分配在单个不能分割的命题上。有些时候是比较容易做到这一点的，比如我们在玩掷均匀骰子游戏时的情形：如果我们知道骰子的点数是偶数，则我们可以把支持度平均分成三部分，即2、4、6上，但是如果这个骰子不是均匀的，此时贝叶斯理论就不能提供相应的解了。
贝叶斯理论的不足之处在于，当我们有所不知时，如何表示我们事实上知道的信息，同时又不会强行对不知道的信息进行不合理的过量使用。在证据理论中，我们利用传感器（知识源）的信息来为每个命题赋予一个支持度。比如在掷均匀骰子的例子中，证据理论能给掷偶数点的命题提供合适的概率分配值mk（i）,i=2,4,6；当骰子不是均匀的时候，证据理论同样能合理地分配概率分配值。
因此，当我们想要的信息都能得到时，使用贝叶斯统计理论是没有任何困难的。但是当我们的知识不充分时，也就是说我们对识别框架里各命题的先验概率都是由不知道而引起的不确定时，证据理论提供了一种可以选择的方法。当每个命题的不确定区间的宽度等于0，并且概率不分配给子命题的交命题时，证据理论就退化为贝叶斯理论。Waltz和Llinas曾经提出这样一个实验，即融合敌友识别器和电子支持量测传感器的数据，当到达给定的信任度或概率级别时，使用贝叶斯理论所占用的时间要比使用证据理论所占用的时间少。
广义证据处理（GEP）理论，允许贝叶斯决策推广到多个假设事件的组合这样一个识别框架内。之所以能这样做，是因为该理论把假设事件（命题）从决策事件中分离了出来。在广义证据处理（GEP）理论中，使用贝叶斯公式把属于多个不互斥命题的证据结合起来，从而得到最后的决策。对来自多个传感器的证据使用GEP处理时，也可以用类似证据理论中的融合规则把它们结合起来。