贝叶斯网络(Bayesian Networks,BN)作为一种因果概率图模型,是处理不确定性问题的有力工具。在利用BN解决实际问题时,首先要构建BN的结构,BN结构可以依靠专家经验构造或者是从数据中学习得到。目前实际问题中获取BN结构的普遍方法是融合先验进行结构学习,这样可以有效地结合专家先验和样本信息,获取更精确的模型。因此需要进行融合先验的BN结构学习方法研究,例如BN应用于战场中无人机(Unmanned Aerial Vehicle,UAV)智能决策时,需要构建可靠的网络结构,如何应对不正确的专家先验,以及在给出确定性先验后如何进行精确求解都有待研究。针对上述问题,本文开展融合先验的BN结构学习方法和将其应用于UAV智能决策两方面的研究。论文的主要研究内容如下:1、提出一种新型融合不确定先验的结构学习方法。对评分搜索法进行深入研究,在评分和搜索两个环节中利用先验信息。首先,提出了基于罚项的融合不确定先验的评分函数,其中引入了熵的概念,并研究如何使其具有可分解性。其次,提出了融合不确定先验的搜索策略,增强先验信息利用的鲁棒性,此方法适用于任何启发式搜索方法。最后用爬山法仿真验证,仿真结果表明了该方法能有效地利用正确的先验信息,而且对错误的先验信息有较强的适应能力。2、提出一种融合先验的动态规划结构学习方法。通过研究动态规划的规划模式和内涵,用边和路径约束对其过程进行限制,从而将确定性边和路径约束融合到动态规划的BN结构学习当中。具体地,一方面用约束对动态规划的规划过程进行限制,缩小规划空间;另一方面对稀疏父节点图进行进一步研究,利用约束限制最优父节点的选取,确保了最优结构符合先验。最后将融合先验的方法与不融合先验的方法进行仿真对比,仿真结果验证了本文方法的有效性,也证明了融合先验能明显提高BN结构学习的效率和精度。3、提出一种UAV智能攻击决策的BN建模方法。对UAV决策攻击问题进行了详细研究,然后对贝叶斯网络在该问题中应用的基本思路和流程进行设计,接着给出建模的具体步骤:先根据UAV对空作战想定对攻击决策问题进行基本的数学建模,再确定结构的相关先验,然后用本文提出的方法进行结构学习,之后进行参数学习。最后说明如何利用BN模型进行攻击决策。