贝叶斯网（Bayesian networks，BNs）推理是NP难解的。在复杂BNs中进行实时推理是一个挑战性难题。面向复杂诊断贝叶斯网（Diagnostic Bayesian networks，DBNs）中的实时推理问题，我们提出离线算法Transform-DBN （TD）和在线算法Compute-Posterior-Probability（CPP）。TD将DBNs转化为一组因子集合，CPP在因子集合上计算后验概率。更为具体的，TD首先修剪DBNs以简化推理。其次，TD将所有查询划分为若干组；对于每一组，搜索并消元一个独特的变量集合以产生一个因子集合，在该因子集合上应答部分（属于该组）查询的效率较高。在给定相同的消元顺序时，TD的运行时间至多是变量消元算法（VE）的n（组的数目）倍。CPP首先根据查询选择相应的因子集合，其次修剪因子集合以简化推理，最后在修剪后的因子集合上计算后验概率。在最坏情况下，CPP退化为VE。实验结果表明，在部分复杂DBNs中CPP不但指数级优于VE和团树传播算法，而且可以完成实时推理。本文的研究工作为复杂DBNs中的实时推理问题提供了一种可能的新方法，具有一定的理论意义和实际应用价值。