随着生产自动化水平的不断提高和现代科学技术的迅猛发展，人类社会已经进入了信息社会，由于人们面临着信息量大、传递迅速及复杂多变等特点，因此，对这些信息的获取、加工和处理变得更加困难和重要。在传统的工业故障诊断领域中，往往依靠人来进行判断，随着数据关系复杂性的增加、数据量的加大，必须要向机器引入智能。而计算机的高速发展使人工智能的发展有了物质基础，从而造成了工业故障诊断大量运用人工智能理论的局面。本论文主要对于张勤教授所提出的动态因果图的概率知识表达方式和推理计算原理进行了深入探讨。在介绍了故障诊断中的基本概念以及现有的故障诊断理论的不足的基础上，针对单值和多值因果网推理算法，做了全面、细致研究：介绍了单值因果图的常规推理算法；讨论了多值因果图中存在的不严格满足概率论的困难及其原因，以及由此困难而衍生的另一困难——将多值因果图用于实际问题时，其推理结果可能出现错误；针对多值因果图存在不严格满足概率论的困难，提出了一种因果影响分配算法；最后针对多值因果图的推理算法只能处理具有明确概念划分多值因果图，不能处理模糊的情况的局限性，在多值因果图推理算法的基础上提出了一种模糊推理算法。该算法对多值因果图进行了模糊扩展定义，使每个基本事件或节点事件变量对应一个能够连续取值的读数变量，在读数变量和事件变量之间建立模糊对应关系，用读数变量的取值相对于事件变量各状态的隶属度函数来表达模糊知识。该算法能够处理模糊的多值因果图，有效地表达实践中模糊的不确定性知识。 本论文在介绍完动态因果图模型的推理过程后，对动态因果图在其发展过程中所遇到的一些困难做了归纳，并简要介绍了目前为此我们针对这些问题所取得的一些成就，以及以后的发展方向。 为了将动态因果图理论用于实践，论文对于动态因果图用于汽油发动机故障诊断进行了一些探讨，建立了其相应的因果图诊断平台。总结了汽油发动机的主要故障模式，并将其表述为动态因果图的相应节点。其诊断迅速，效果较好。论文最后对研究工作进行了总结。