意图识别是人工智能领域的核心研究方向，多模态融合技术因能弥补单一模态语义表达不完整或歧义性的缺陷，成为提升意图识别精度的关键路径。然而，现有多模态融合方法多采用单向质量评估或权重估计策略，缺乏对特征提取与融合过程的反馈优化，难以有效应对复杂场景下模态质量波动带来的干扰。为此，本文提出一种基于不确定性估计和反馈式多模态融合模型，核心创新在于构建“模态质量筛选-动态融合调控”的闭环优化机制。模型首先通过改进的证据深度学习方法量化各模态的认知与偶然不确定性，实现高质量模态信息的选择性聚合与低质量模态的自适应屏蔽；随后设计迭代式反馈融合模块，通过评估融合特征的语义一致性与判别力生成反馈信号，反向调节模态权重分配与融合策略，抑制噪声传递与放大。实验验证表明，在准确率和召回率等核心评价指标上均优于主流基线方法，其中在MELD-DA数据集上，准确率提升5.95个百分点，召回率提升9.59个百分点，在MIntRec数据集上，准确率提升0.54个百分点，召回率提升0.98个百分点，该方法能有效提升复杂环境下多模态意图识别的鲁棒性与精准度，减少低质量模态信息对最终判断的干扰。