数据融合这一概念最早出现在20世纪70年代末期，开始并未受到足够的重视。近几十年来，随着传感器技术的迅速发展，尤其在军事指挥系统中对提高综合作战能力的迫切要求，使其得到了长足的进步。其早期主要是应用在军事上，而随着工业系统的复杂化和智能化，近年来该技术推广到了民用领域，如医疗诊断、空中交通管制、工业自动控制及机械故障诊断等。条件事件代数是研究数据融合的一个重要的方法。条件事件代数是在确保规则与条件概率相容的前提下，把布尔代数上的逻辑运算推广到条件事件(规则)集合中的逻辑代数系统。条件事件代数理论在数据融合系统中有着重要的应用前景，该理论可用来解决不确定性、概率性和模糊性推理问题。 本文首先介绍了条件事件代数的相关知识，包括数据融合的基本概念(包括定义、历史背景、主要方法、研究趋势)和应用。为了让读者能更好的了解条件事件代数是对经典的概率空间进行扩张得到的新的代数系统。本文在条件事件代数的相关知识中还介绍了概率论的基本概念和抽象代数的基本概念。接着介绍了条件事件代数的基本概念，并着重介绍了乘积空间条件事件代数定义和基本性质。在此基础上提出了基于条件事件代数的数据融合方法在贝叶斯网中的应用。对于一些特殊的贝叶斯网(如多树型网络)已经有了一些可行的概率推理的算法，但到目前为止，还没有可行的逻辑推理的算法。随着对不确定性知识研究的深入，迫切需要具有逻辑推理的算法。所以还提出了基于乘积空间条件事件代数的贝叶斯网的逻辑推理的算法以及该算法的应用。最后讨论了贝叶斯网的条件事件的图示与概率关系的对应。它是一个崭新的内容，把贝叶斯网络中的普通结点扩张到条件结点，使复杂的贝叶斯网能得以简化，并使贝叶斯网更符合客观实际。它为贝叶斯网的研究提供了新思路和新方法。