贝叶斯网是20世纪80年代提出的不确定性推理方法,是用来表示变量之间连接概率的图形模式,它为因果关系提供了一种自然而有效的表达方式。贝叶斯网具备概率推理能力强、语义清晰、易于理解等技术特点,可以发现数据集中潜在的关系和模式,因此在数据挖掘中显示出独特的优越性。正是基于这一出发点,本文将贝叶斯网建模方法作为一个核心研究内容,通过系统的理论研究,为贝叶斯网的建模和实际应用提供有力的依据。本文致力于贝叶斯网的理论和建模方法的研究,在前人工作的基础上,提出了一些新的建模思路。全文研究了如下几个问题：(1)建模方法的研究研究贝叶斯网的学习方法,针对机器学习方法搜索空间大,收敛速度慢的缺点,讨论如何在学习的过程中融合专家的知识,先利用专家的先验知识选择“好的”网络结构,再利用样本数据求精,修正专家知识,以加快学习速度,很好的实现了人机结合。(2)不完备数据下的结构学习数据缺失,是一种很正常的现象。现实训练数据集在采集时难免会因为技术等问题存在着数据记录中具体变量的具体属性值缺失的现象。数据缺失和网络结构未知情况下学习贝叶斯网问题本身就存在重要的现实意义。如不能很好地解决,那么就说明贝叶斯网距离广泛的应用还有很大的距离。(3)探索初始网络在目前有关文献中关于数据缺失下学习贝叶斯网问题都会涉及到初始网络。这个初始网络到底如何给出?它在学习贝叶斯网整个过程中所扮演的角色又是如何?诸多文献并没有给出统一意见。本文通过引入知识图的作为初始网络进行研究。(4)贝叶斯网在水文预报中的应用研究贝叶斯网在水文预报中的应用,通过所建模型,为决策提供支持。