贝叶斯网络提供了一套强有力的图形工具来表达基于概率的领域知识,已被成功应用于故障诊断、数据挖掘和医疗诊断等领域。动态贝叶斯网络是贝叶斯网络在时间因素上的扩展,是对人工智能领域中动态不确定性问题进行表示和处理的一种重要工具。本文在对动态贝叶斯网络进行全面概述的基础上,对动态贝叶斯网络的近似推理进行了研究。全文的主要内容如下:(1)贝叶斯网络的概述。概述了贝叶斯网络的起源与发展,详细介绍了贝叶斯网络模型、贝叶斯网络的构建过程、贝叶斯网络的类型以及贝叶斯网络的应用,并在此基础上,对动态贝叶斯网络进行了概述;对贝叶斯网络和动态贝叶斯网络的精确推理算法进行了重点介绍。(2)针对传统粒子滤波(PF)对于动态贝叶斯网络推理中计算的高维问题,提出了一种基于部分抽样的粒子滤波推理算法(PSPF)。PSPF算法以弱相关性为指导对DBNs进行分割来降低问题求解的规模,从每个状态子空间局部抽样并以粒子的因式积形式近似表示系统的状态信度,进而对DBNs的状态空间进行重采样和更新。仿真实验表明,与PF相比,该算法显著提高了计算效率,且推理精度也有一定的提高。(3)针对动态贝叶斯网络的BK算法有较高的计算效率但会引入较大的误差,PF可以近似任意分布但存在计算的高维问题,将粒子滤波和BK推理算法优点相结合,提出了一种自适应的混合近似推理算法(HAInf)。为了降低推理的复杂性,将DBNs分解生成用于推理的原型联合树。HAInf算法根据团规模的大小在部分团上执行PF推理,而在余下的团上执行BK推理,最后通过原型联合树上结点之间的消息传播进行推理。仿真实验表明,与BK和PF相比,该算法显著提高了推理精度,并且时间性能是两者的折衷。