贝叶斯网络是继模糊逻辑、可信度方法和神经网络等方法之后提出的不确定知识表示模型，是研究不确定性问题的重要方法之一。目前，贝叶斯网络参数学习采用的方法主要是精确计算和近似方法求解。精确计算导致数据过度拟合，近似方法的复杂性使求解过程成为NP难度问题。本文将动态模糊逻辑引入贝叶斯网络参数学习中，在避免过度拟合和降低学习过程复杂度方面取得一定的效果。具体工作如下。(1)分析研究目前贝叶斯网络参数学习中存在的问题，充分了解统计学中的参数学习方法，深入认识点估计和区间估计的利弊及其相关原因。(2)介绍动态模糊集相关理论，用动态模糊集表示贝叶斯网络中相关结点的信息含义，即基于动态模糊集的贝叶斯网络知识表示。客观、真实地表达了现实世界中蕴含在动态模糊数据中的相关信息。(3)基于动态模糊逻辑的参数推理过程，分析了单证据和多证据下的参数推理过程、规则前件的匹配、后件的隶属度更新等问题。利用贝叶斯网络的结构特点，通过符合人的认知过程的方法来推理现实世界的因果关系，并结合实例分析推理过程的可行性。(4)给出了基于动态模糊逻辑的贝叶斯参数学习算法，介绍动态模糊性证据下贝叶斯参数学习的置信度更新。通过置信度更新实现在给定动态模糊性证据下的后验概率查询，完成本体动态模糊性推理问题与贝叶斯推理问题的转化。并通过实例验证了该算法的可行性。(5)将动态模糊理论运用到学生学习能力及学习状况的预测推理中，并通过实验结果分析该方法的可行性。本文的工作，一方面丰富了贝叶斯参数学习的内容；另一方面将基于动态模糊逻辑的贝叶斯参数学习算法应用在智能学习中，并验证其可行性，为解决同类问题提供了借鉴。