基于概率知识表达的贝叶斯网，已成为人工智能不确定知识表示与推理领域近几年来研究的热点，目前国内外的许多研究机构都对贝叶斯网进行了深入的研究。本文对贝叶斯网的国内外研究现状进行了深入分析，对它的原理、构造方法及其扩展，进行了深入的讨论。论文的主要工作和创新之处如下：1、介绍了贝叶斯网原理及其中的条件独立性。讨论了Bayesian网的常用推理算法，包括：消息传递推理算法、子团树传播推理算法与基于消元的推理算法等。此外，还对近似推理算法进行了讨论。2、本文从讨论联结树(Junction Tree JT)推理算法入手，提出基于局部联结树(Local Junction Tree，LJT)的近似推理算法。该算法采用相对于查询节点的节点相关度来搜索影响较大的节点，同时考虑了距离影响和证据节点的特殊性，使构造的子网比较合理，有利于提高推理计算速度和保证较高的计算精度。3、提出一种基于节点相关度NR对DBN进行裁剪的近似推理算法。一般而言，DBN推理过程是对网络所有结点的概率的更新，对于一个大型复杂的DBN，该推理算法能够显著提高效率，并能保持较高的计算精度。