随着工业信息化的不断深入,报警泛滥问题成为工业过程报警管理中的重要安全问题之一。报警根源分析对解决报警泛滥问题发挥着非常重要的角色。随着工业过程规模日益复杂,控制算法也越来越多呈现多样化,如何有效的通过数据对报警根源进行诊断对于解决报警泛滥问题具有非常重大的意义。贝叶斯网络是一种基于概率论和图论的表示变量间因果关系的有向无环图,用于解决不确定性和概率性问题,已经广泛应用于人工智能、机器学习、故障诊断等领域。然而,当网络中节点不断增多,通过专家经验构建贝叶斯网络变得非常困难,而通过数据进行贝叶斯网络结构学习的解空间因随着变量增多呈指数式增长,于是成为该领域的一个NP-hard研究热点。本文主要的研究内容如下:①介绍了报警管理系统问题的现状及研究进展,阐述了贝叶斯网络的研究现状及存在问题,并研究了贝叶斯网络的基础理论;②研究贝叶斯网络结构学习算法,通过评分搜索的方式采用布谷鸟算法与模拟退火算法结合的方法提高搜索效率并防止算法陷入局部最优,并采用二进制Levy策略对结构进行更新,提高算法的准确性,最后用标准测试网络验证了算法的学习效率;③利用偏相关性分析确定变量间的相关性并确定邻接矩阵,通过改进布谷鸟算法,对TE过程进行建模分析,并通过贝叶斯推理对报警根源进行诊断与分析,实验证明本文提出的算法在解决不确定性模型构建及分析中的可行性和有效性。