贝叶斯网络是基于概率和统计理论,具有坚实的数学基础,被广泛应用于不确定问题推理。但是由于其推理机制的局限性,使其应用领域受到一定限制。本文对贝叶斯网络进行扩展得到多级贝叶斯网络,以更好表示变量间的依赖关系。多级贝叶斯网络结构类似于贝叶斯网络,它们都是有向图的结构,用以表征变量间的概率依赖关系。图中每个节点对应一个随机变量,其取值依赖于与其相连的所有父节点。多级贝叶斯网络中的一个节点可以是包含复杂概率关系的复合节点,节点间的复杂依赖关系在多级贝叶斯网络也可以体现,比如同一层节点间概率依赖关系,不同层节点间概率依赖关系等。这使得多级贝叶斯网络可以应用于层次、概率更复杂的模型当中,因而多级贝叶斯网络应用范围广于贝叶斯网络。本文对贝叶斯网络的原理及其应用现状进行了分析和研究;研究了贝叶斯网络以及多级贝叶斯网络常用的构造、学习、推理和改进算法;将朴素贝叶斯网络和多级贝叶斯网络应用于孟加拉手写数字的识别当中,朴素贝叶斯网络的平均识别率达到92.1%,利用改进的AdaBoost算法对其优化,在算法迭代3次时组合分类器平均识别率达到最高为93.47%,继续迭代下去,平均识别率反而略微降低。多级贝叶斯网络的平均识别率则为87.5%。实验之后,我们进一步分析比较了两个模型系统的测试结果。