在分布式系统中，选择可信赖的协作者对于高效完成任务至关重要，通常需要从过去的协作经验中推断其可信度。然而，协作者在过往协作中可能服务于不同设备、面临不同场景，导致其信任相关数据具有多源、异构且质量不均的特点。传统信任评估方法难以处理这种复杂情况，准确性不足。针对该问题，论文提出了一种基于多视角证据学习（MVE）的信任评估方法。首先，为了处理多源异构的信任数据，方法将每个与潜在协作者交互过的任务所有者视为一个独立的观察视角，从而评估协作者在该视角下的特定信任。其次，针对信任随环境动态演化的问题，利用Mamba模型强大的长序列建模能力，捕获每个视角中协作者信任状态的深层时间模式。再次，为了量化各视角信任评估的确定性水平，方法引入证据深度学习机制，在输出信任评估结果的同时，量化其背后的主观不确定性。最后，设计了一种动态证据融合策略，根据各视角量化的不确定性自适应地集成多视角证据，从而得出对协作者的最终信任评估。实验结果表明，MVE方法在信任评估准确率和任务成功率两方面均优于现有基线方法。该研究为分布式环境下的信任管理提供了新的思路，尤其适用于需要融合多维不确定信息的场景。