上下文感知技术是实现智能环境的一种关键技术。在上下文感知应用中,很大一部分数据都是由传感器获得,由于传感器等设备自身的技术限制,其感知获取的数据天生具有不精确性和不确定性。又由于原始的上下文数据的不确定性,从而导致了使用它们推理获得的更高层次的上下文依然保留着不确定性。现有的用来描述上下文信息的本体模型,基本以基于二值逻辑的本体建模语言OWL进行构建,而OWL本身不支持不确定性推理。因此,使用本体语言的上下文感知应用如何解决上下文信息的不确定性以及不确定推理,就逐渐成为上下文感知中的一个研究点。本文给出了一种基于贝叶斯网络的支持不确定性推理的上下文模型的构建方法。在原有OWL本体模型的基础上扩展支持不确定性推理的信息。在模型构建方面,本文设计了“通用-领域”双层的本体模型。引入上下文信息五要素,使用通用模型描述普遍概念,使用领域模型描述领域概念。根据上下文信息本身的层次性、因果性,选择贝叶斯网络进行基于机器学习的不确定性推理。根据贝叶斯网络的结构特点,扩展上下文OWL模型,并引入元信息概念,用来描述上下文感知中的不确定性信息。给出通过扩展的OWL模型选取贝叶斯网络结点并将其进行排序的方法。进行智能会议室场景的推理实验。通过样本学习贝叶斯网络结构与参数,并将该贝叶斯网络应用在推理场景中进行不确定性推理,同时基于规则完成确定性推理,实验结果表明了扩展的OWL上下文模型的可用性。