目前对置信规则库(belief　rule　base，BRB)的研究主要针对单个BRB系统，然而单个BRB系统的推理性能不仅受参数取值的影响，而且当训练集分布不均衡或数据量较少时，容易导致参数训练不全面使得推理结果所提供的决策信息存在局部性。通过引入Bagging算法和AdaBoost算法，分别与BRB相结合提出基于梯度下降法(Gradient　Descent　Algorithm，GDA)的置信规则库系统的集成学习方法，并分别应用于输油管道检漏、多峰函数的置信规则库训练，将多个　BRB　子系统集成，提高系统的推理性能。在实验中，以收敛精度和曲线拟合效果作为衡量指标分析集成系统的性能，并将集成系统与其它单个　BRB　系统进行比较。实验结果表明BRB集成学习方法的合理有效。