贝叶斯网络在不确定性领域中是重要的概率图模型工具,其构建包括结构学习算法、参数学习算法及推理算法,而如何建立高效、准确的贝叶斯网络算法是贝叶斯网络当前的研究热点。针对贝叶斯网络算法在学习中存在寻优效率差、易陷入局部最优的问题,提出两种改进贝叶斯网络算法:基于改进的结构学习算法和推理算法。篦冷机是水泥生产的重要设备,用于冷却熟料和热量回收,由于篦冷机工艺参数多且参数间影响关系的不确定性导致对篦冷机进行故障诊断比较困难。因此,本文将改进的贝叶斯网络算法用于构建篦冷机网络模型进行故障诊断。具体研究工作如下:首先,提出基于改进狼群用于节点序寻优的贝叶斯网络结构算法（IWPN）,该算法首先利用深度优先搜索对最大支撑树的节点进行拓扑排序,构建初始种群,然后通过动态变异策略及最优交叉策略构建适用于节点序寻优的改进狼群捕食行为,并引入自适应动态因子平衡算法局部与全局寻优能力,最后经迭代将所得最优节点序作为先验知识,结合K2算法得到贝叶斯网络最优结构;然后,构建了混合多策略改进狼群的贝叶斯网络推理算法（HSWP）,该算法将Tent混沌映射方法用于优化初始种群,增加初始种群多样性,提出信息转移更新策略增强全局搜索,建立平衡选择机制保证算法的全局与局部搜索的平衡,避免陷入局部最优,算法经过迭代最终得到贝叶斯网络最可能解释;最后,将改进的贝叶斯网络算法用于建立篦冷机网络模型。根据篦冷机运行机理,选取篦冷机重要工艺参数并量化处理数据,利用IWPN算法构建篦冷机网络模型的结构,根据最大似然估计法学习得到篦冷机网络模型的参数,利用HSWP算法对篦冷机网络模型中的故障节点进行概率推理,根据推理结果对篦冷机的故障进行诊断。