作为将概率统计与图论相结合的一类概率图模型,贝叶斯网络在不确定知识表达及推理方面独具优势,已被成功应用于机器学习、金融分析、医疗诊断等多个领域。然而,传统的贝叶斯网络对数据属性存在严格离散约束,难以建模现实生活中普遍存在的连续数据。为突破这一限制,本文以高斯贝叶斯网络为主要研究对象,提出了一种增量式结构学习策略及一种路径推理算法,并将它们集成至DODO大数据分析平台中,具体工作如下:针对高斯贝叶斯网络的结构学习问题,提出了一种基于稀疏结构学习SBN算法的增量更新策略。该策略使用滑动窗口对已建立的关系系数矩阵进行局部更新,设置变化阈值及关系阈值确定最终结构,能够在提高目标函数收敛速度的同时使算法具有处理流数据的能力。基准高斯贝叶斯网络仿真数据上的对比实验证明了该策略的有效性。实验结果显示,对于稀疏高斯贝叶斯网络结构学习任务,所提出的策略能够在基本保持SBN算法精度的情况下明显降低计算复杂度,并且与PC-Stable、GS、HC及MMHC等经典结构学习算法相比,训练得到的网络结构往往具有更高的精确率及召回率。针对高斯贝叶斯网络的概率推理问题,提出了一种基于父节点影响的路径推理算法。该算法在给定观测样本全属性的基础上,利用马尔可夫毯中的独立性质简化联合概率计算,将全局推理问题转化为证据节点父节点集合中的局部推理问题。对于给定证据子节点,该算法使用条件概率分解及二分估计计算不同父节点条件下的最大可能估计值,然后与真实观测值比较,认为最小差距值所对应的父节点集合即为导致观测证据发生的直接原因。通过逐层分析,最终能够实现对网络中证据产生路径的有效推理。对比实验采用父节点方差差值及专业先验知识作为指标进行性能评估。基准数据集及水泥生料磨数据集上的实验结果表明,相较于变量消元算法,所提出的路径推理算法不仅能更好地捕获样本中的父节点影响关系,并且与专业先验知识更加契合。此外,本文还设计了工业大数据分析平台——DODO工具箱中的关联分析及故障诊断服务模块,对包括上述两种算法在内的高斯贝叶斯网络结构学习、参数学习、路径推理和可视化方法进行了集成,能够应对实际工业生产中的参数关联分析及故障诊断任务。为验证平台的可用性,文中使用电力大型供热机组数据进行了具体应用分析,展示了从高斯贝叶斯网络结构学习、参数学习到路径推理的一体化流程。