实际生活中的现象和客观事物,普遍存在多样性、不精确性和不确定性,造成人们对各领域中知识和信息的认识也存在不确定性,而人工智能的领域之一便是利用机器模拟人的大脑对这类不确定性知识进行表述和推理。不确定知识表达方法包括:信度网、模糊逻辑、粗糙集理论、Dempster-Shafer的证据理论以及动态因果图等。这些方法在处理不确定信息时,都会有相应的优缺点,不同方法之间有一定的共通性。本文围绕因果图的知识表达与推理,复杂模型的建立,解析推理的困难,以及基本事件为区间数的应用,结合粗糙集对复杂图形的约简以及Dempster-Shafer证据理论在获取数据方面的优势进行讨论研究。主要内容如下:(1)介绍因果图的知识表达以及推理,用节点表示事件或变量,因果图是带有环型结构的图,也就是说输入节点与输出节点会发生相互推导的过程。因果图作为知识表达中概率的方法,是针对事件的精确概率值推导计算,而实际情况中却由于初始数据的误差、缺失等原因无法获得精确概率值,针对这种情况本文提出将精确值扩充为区间数,利用区间数可以表示范围的特点将精确概率值转换成区间数,既可有效处理事件模糊性和不确定性,又可降低获取精确值的难度。其中区间数的上下界值,采用非概率方法中的Dempster-Shafer证据理论获得,根据计算似然函数Pls(Plausibility Function)和信度函数Bel(Belief Function)作概率区间的上下界,具有更好的可靠性,再根据区间分析理论计算所求事件的区间概率,减化了因果图解析算法中的N-P难.(2)在对因果图研究过程,已有研究者根据每个基本事件在整个因果图模型中情况推导出基本事件概率重要度,结构重要度以及关键重要度。而本文根据基本事件的区间数值大小,得出在不同条件下基于区间数基本事件发生的概率大小排序,在工程运用中,可依据区间概率值的大小,得出某条件下最容易的发生故障的基本事件,即是引起故障系统的原因事件,并加强保障措施。(3)一旦系统过于复杂,在实际中就很难找出故障源,本文采用与粗糙集结合,介绍粗糙集基本理论,并利用粗糙集的知识约简对因果图进行简化处理,便于在工程中寻找故障源,同时根据因果图的最小径集和最小割集故障诊断方法进行故障诊断,同样有利于在实际工程中进行维修排查缩短时间。通过本文,系统的描述了不确定知识的表达方法,因果图的模型推理、研究,介绍了粗糙集和D-S理论在处理不确定知识中的优势,并充分利用不确定知识中的证据理论,区间分析,粗糙集理论与因果图结合达到避免获取基本事件精确值的困难,以及逻辑运算复杂程度困难,将因果图在故障诊断前进行一定约简,有利于缩短故障诊断时间,符合实际情况,诊断迅速,效果较好。