求解热传导反问题的主要困难来自于反问题的不适定性及自身的复杂性。热传导系统中具有诸多的不确定性,如温度数据测量的不确定,数学模型及参数的不确定等,如何解决这些不确定性成为求解热传导反问题必须解决的问题。本文从概率统计学的角度出发,把先验信息、测量数据、模型参数等采用概率形式描述,将传统反问题求解算法中从逼近求解转化为估计求解,逼近求解是求“精”,而估计求解是求“泛”。这样就能有效的克服反问题中的不确定性问题。本文通过构建基于贝叶斯推理的热传导反问题求解模型,运用马尔科夫链蒙特卡洛(MCMC:Markov Chain Monte Carlo)抽样方法对贝叶斯数学模型进行抽样求解。采用有限控制体积法(FCV:Finite Control Volume method)作为对一维非稳态热传导数学模型的求解工具求解正问题得到的温度值作为测量温度,构建关于求解导热系数及表面热流的贝叶斯推理数学模型,采用MCMC抽样方法对贝叶斯模型进行抽样反演获得导热系数及表面热流的抽样样本。样本的统计结果表明MCMC方法对求解热传导反问题中的导热系数及表面热流是可行的。通过分析温度传感器的动态特性,建立了传感器动态特性数学模型,通过分析温度传感器动态特性中的时间常数对热传导反问题反演结果的影响。结论得出传感器的动态特性对反演影响较大,可以根据实际情况对实际反演过程进行分析判断。实测工程材料表面温度数据,运用MCMC方法对材料导热系数反演计算。反演结果显示MCMC方法在工程应用中反演导热系数能够取得较好的效果。