在近几年工业过程控制领域中,故障诊断技术俨然成为一个非常重要的热门研究方向。而之前的故障诊断方法在工业过程中的应用虽然已经取得一定成就,但由于如今控制精度要求的提高、控制算法的多样化以及控制环境愈发复杂等原因,导致单一的故障诊断方法存在一定缺陷,往往不能满足诊断需求。因此,如何充分考虑系统不定因素、充分利用诊断信息、优化故障诊断方法,具有很大现实意义。贝叶斯网络是一种有向无环图,表示随机变量间的因果关系,适用于表达和分析不确定性和概率性事物,将贝叶斯网络应用于故障诊断中,可以有条件地依赖多种控制因素的决策分析,能够从不确定知识或信息中做出推理。本文主要研究基于贝叶斯网络的控制系统故障诊断问题,主要完成的研究成果如下：首先,提出了基于信号处理的贝叶斯网络故障诊断方案。当复杂的控制系统中不能建立系统精确数学模型,但可以获得控制过程数据时,该方案将其故障诊断方法集成到贝叶斯网络的网络建立和贝叶斯推理中。同时提出了诊断贝叶斯网络参数学习方法,有助于全面准确地诊断复杂过程可能发生的系统故障,并通过仿真验证了方案有效性。其次,针对基于模型的故障诊断方法常常因为模型不确定而导致诊断困难的问题,提出了基于不确定模型的贝叶斯网络故障诊断方法。通过建立未知输入观测器诊断子系统将模型不确定部分解耦,同时提出利用观测器残差融合进贝叶斯网络中的系统模型描述方法,根据故障源与残差之间的关联关系提出残差节点后验概率计算方法,最后推理出各部件故障概率实现故障诊断与分离。仿真结果表明该方法诊断效果比较良好。最后对实验室双容水箱实验设备进行故障诊断,验证了上述基于不确定模型的贝叶斯网络故障诊断方案的可行性。