针对Dempster-Shafer证据理论（DST）及Dezert-Smarandache证据理论（DSmT）均无法处理不确定信息的问题，定义了辨识框架中的不确定因子，通过深入分析比较DSmT框架下的各个冲突分配法则（PCR），提出了一种基于PCR2的自适应通用分配法则（AUPR），并根据声纳的数学模型构造了一组新的声纳信度赋值函数（gbbaf），用以描述声纳获取的不确定和不精确信息，甚至于高冲突信息。最后，以Pioneer 2-DXe机器人为实验平台，绘制了实验场景的各种信度分布图。实验结果充分验证了所提方法的有效性和实用性，为信息融合理论中如何处理不确定信息提供了有力的理论依据。