贝叶斯网络作为不确定性知识表达和推理的一种方法在很多领域都有着广泛的应用。贝叶斯网络是一种将贝叶斯概率方法和有向无环图的网络拓扑结构有机结合的表示模型。它是描述了数据项及其依赖关系并根据各个变量之间概率关系建立的图论模型。但是如何获取它的网络拓扑结构是一个非常关键的问题。为了寻找对先验知识和数据拟合得最好的贝叶斯网络拓扑结构,进行结构学习是非常必要的。 本文在分析了多种贝叶斯网络结构学习算法的基础上,并且根据水电仿真的应用背景,提出了一种根据多专家提供的规则库进行贝叶斯网络结构学习的新算法。此算法在从规则库中提取有效规则的过程中采用了统计的策略,丟弃因果关系比较弱的规则,只保留因果关系比较强的规则。通过这些有效规则经过结构学习形成贝叶斯网络拓扑结构。如果此拓扑结构存在因果环,则通过不同的拆环方法进行拆环。在拆环策略中运用了统计思想和优先级分级的方法,丢弃比较弱的因果规则或者优先级比较低的因果规则。最终形成一种先验知识和数据拟合得最好的贝叶斯网络拓扑结构。CPT学习也是贝叶斯网络学习的一个重要组成部分,本文通过严密的推理对以往的CPT学习算法进行了一些有意义的改进,进而形成了一个较为完备的贝叶斯网学习。 最后把这种算法运用在水电仿真中故障诊断的贝叶斯网络模型的结构学习和CPT学习中。从而构建出了故障诊断的贝叶斯网络模型。并把这一模型用在丰满水电厂的水电仿真系统中,该模型发挥了贝叶斯网络解决不确定性问题的优越性,在实际的运行过程中证明这一模型是正确和高效的。