人工智能在实际的应用研究中,其本质为求解不确定性问题的能力。因此,不确定性推理模型则是人工智能的核心研究课题。动态因果图理论,是一种基于概率论的知识表达的不确定性推理模型。该方法结合了故障树与信度网的优点,并克服了一些不足,在不确定性推理过程中具有很大的优势。随着近年来不断的持续深入研究,该理论在故障诊断等领域得到很大的完善与发展。因此,对因果图的进一步研究具有重要的学术意义和应用价值。论文对因果图的推理及应用进行了讨论和研究,主要内容包括:首先,对因果图的经典推理算法进行改进。引入基本事件矩阵,通过矩阵元素的规则抽取得出最小割集。省略了求一阶割集的步骤,简化集合运算。并提出一种动态因果图向改进的二元决策图转换的方法。通过改进的二元决策图推理省略了割集不交化的过程,得到不交化割集,减小经典推理的复杂度。其次,扩展了因果图的应用领域。将因果图应用在安全系统领域中,把因果图转化为贝叶斯网络结构,用深度优先最左遍历方法寻找因果图的故障模块,提高因果图在安全系统诊断中的应用。并将因果图理论应用于银行操作风险领域。在因果图理论中引入基本事件损失重要度等概念,测算了各基本事件对银行风险的影响程度以及不同的作用形式,从而对银行风险进行定量分析。