认知诊断模型（cognitive diagnosis models,CDMs）是连接潜在属性和外显行为的桥梁,也是认知诊断测评的关键环节,其建构的合理性直接决定诊断结果的准确性和可解释性。近些年,随着人们对精细化诊断需求的不断增加,传统基于二分属性的CDMs已显得力不从心,概率态CDMs应运而生。然而由于传统纸笔测验的局限,已有的概率态CDMs仅能分析作答精度（response accuracy,RA）单一类型数据,忽略了作答时间（response time,RT）这一重要的数据类型。RT可以反映被试的认知加工速度,通过加工速度可以进一步反映被试的认知风格或认知流畅性等认知特征,还可以作为RA的辅助信息提高参数估计的精度。随着计算机化测试的普及,记录RT数据已经成为一种常态,如何在概率态CDMs中充分利用RT信息也是一个具有重要意义的研究议题。对此,本文围绕如何在概率态CDMs中引入RT信息这一研究目的展开了三项研究:研究一开发可以同时分析RA和RT的概率态诊断模型;研究二释放条件独立性假设开发带有交叉载荷（cross-loading）的扩展模型;研究三实证研究,比较新模型与现有模型在实际测试中的表现性能。其中以研究一为基础,研究二为拓展,研究三为实践应用。研究一基于联合认知诊断建模框架,提出了联合RA和RT的概率态诊断（JRT-PINC）模型。研究结果发现:（1）不同模拟条件下的参数返真性均较好;（2）题目数量越多,样本容量越大,潜在能力与潜在速度的相关性越高,参数返真性越好。研究二在JRT-PINC模型的基础上释放了条件独立性假设,提出了两个带有交叉载荷的扩展（CJRT-PINC）模型。研究结果发现:（1）不同模拟条件下的参数返真性均较好;（2）释放潜在能力与RT条件独立性假设后的模型可以更有效的为潜在能力和概率属性提供信息。研究三实证研究结果发现:（1）概率态诊断模型引入RT后可以有效提高参数估计的精度;（2）拟提出的三个新模型在实际测验数据中拟合更好,说明在实际应用中具有良好的适用性,且相较而言CJRT-PINC模型表现更好。