对不确定性问题的处理是人工智能的核心问题之一。不确定的知识表达可分为两大类:一类是基于概率的方法,包括信度网、因果图、马尔可夫网以及在PROSPECTOR 中使用的方法等。另一类是非概率的方法,包括MYCIN 的信度因子、模糊逻辑以及Dempster-Shafer 的证据理论等。其中,Pearl 的信度网因其理论上的严格性和一致性,以及具有有效的局部计算机制和直观的图形化知识表达方式已成为不确定性知识表达的主流方法。动态因果图理论是在信度网基础上发展起来的一种新的不确定性推理模型,于1994 年由张勤教授完整提出。它在知识表达上提出基本事件、节点事件、连接事件、逻辑门等概念,可以分别独立地给出连接事件所代表的因果强度,能方便地反映领域专家知识;在推理上引入符号逻辑运算方法,可以进行在线动态推理,能解决工业系统故障诊断中经常遇到的多连通和因果环的问题。专家系统是目前人工智能研究中最为成功和最广泛的一类应用。专家系统是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,能够利用人类专家的知识和解决问题的方法来处理该领域问题。对因果图专家系统的应用研究是因果图理论走向应用的一个关键。本文主要在动态因果图知识表达与推理、因果图解析推理算法、因果图迭代推理算法以及因果图专家系统应用等方面进行了研究,主要研究内容和研究成果如下: 在因果图知识表达与推理方面,主要介绍了因果图理论的知识表达方式以及分别介绍了单值、多值、连续离散混合因果图模型的推理算法,并着重对单值因果图推理算法的规模进行了分析,指出其推理算法复杂度是指数时间复杂度,属于NP 难问题,同时指出多值因果图由于比单值因果图更为复杂,推理算法复杂度更高,因此需要寻求高效的近似推理算法。在因果图解析推理算法方面,首先指出在将原单值因果图解析推理算法直接应用于多值因果图推理时,存在不严格满足概率推理中的归一性和互斥性要求的严重问题,其原因在于多值因果图中存在着知识表达独立性与相关性的矛盾,然后提出了一种引入归一化常数的多值因果图解析推理算法,成功解决了这一难题:(1)假定多值因果图中原因节点对结果节点只贡献概率值,且每个贡献是简单相加的关系。即原因节点对结果节点状态的影响是非直接的,原因节点只影响结果节点各状态的概率分布,结果节点的状态由这个状态概率分布随机决定;(2)引入归一化常数来保证推理过程中的归一性;(3)通过推导出多值因果图的一个性