在网络数据传输的不确定性问题处理领域,以贝叶斯理论为代表的概率方法是目前学术界研究的热点问题之一。本文就网络数据处理技术中涉及的若干不确定性问题展开探索研究,主要针对以无线传感器网络为代表的无线网络在数据传输和压缩融合过程中涉及的几个典型问题,在贝叶斯理论框架下寻求相应的解决方案和模型算法,并给出理论和实验验证。本文在解决贝叶斯理论建模时将目光投向了贝叶斯网络(Bayesian network).作为人工智能算法的主要研究热点之一,贝叶斯网络具有相当深厚的理论积淀并已经在一些领域开展了较为成功的运用。但另一方面,作为一项依然处于发展阶段的技术,贝叶斯网络本身还有许多值得推敲和改进的方面。所谓工欲善其事,必先利其器,正是由于这个原因,本文首先就贝叶斯网络提出了改进的方法,使其更加适用于无线传感器网络的使用环境,在此基础之上,提出了网络数据协议关键字段的前向纠错方法和业务净荷的容错压缩重构算法。本文研究内容包括以下几个方面：1、利用信息论的观点,从最大熵原理的角度全面分析了网络传输数据具有的内在冗余性特征。指出提高通信质量和效率的关键在于有效利用传输数据的冗余性。从信息论中信息熵和条件熵的角度,分析了数据取值的非均匀性和数据间的统计关联性两者与不确定度之间的关系,进而指出这两者是在数据通信过程中天然存在的冗余。在此基础上提出了“如何利用这种天然存在的冗余提高通信质量和效率”这一本文主要研究的核心问题。2、在贝叶斯理论框架下,对网络数据传输中的不确定性问题进行概率建模,并从理论上证明了不同概率空间中贝叶斯推理等价的条件,为建立概率模型时变量的选择奠定了理论基础。在对研究的脉络进行梳理的基础之上,着重讨论了网络传输数据的不确定性问题在贝叶斯理论框架下的一般性建模,并就贝叶斯网络在先验性概率表达和网络学习以及概率推理等方面问题进行了研究,在研究基础上,结合贝叶斯推理在不同概率空间的表现形式,从理论上证明并详细分析了联合概率及其边缘概率模型下推理的等价条件,为工程化应用提供了指导思路。3、针对目前贝叶斯网络学习算法存在的学习效率不高的问题,提出了三种快速的贝叶斯网络学习方法。首先,针对静态网络的情况,给出了一种新型的混合式结构学习算法(SBSA)。该算法从分析随机变量互信息的角度入手,给出了构造目标网络结构空间边界的方法,并做出了完整的证明,实验结果表明,在结构边界约束的基础上执行搜索算法与同类算法相比在保证精度的同时具有更好的执行效率。其次,在完成针对静态贝叶斯网络的结构学习算法的改进后,针对原生分布随时间变化的情况,引入迁移学习的方法。从理论上分析了新旧模型之间可供迁移学习使用的结构信息和样本空间信息。从定义部分结构等价的角度,提出了结构迁移学习算法。之后,从概率空间同构转换的角度,提出了样本空间的迁移学习算法。最后,对两种迁移算法的效果进行了仿真评估,其中,结构迁移学习算法仅需不到10%的静态学习算法的计算量就可以完成在新样本下的迁移学习,而样本空间迁移学习算法在样本不断转换时也表现出良好的新数据适应能力。4、节点通信能力有限情况下,针对网络传输数据易错导致通信效率下降的问题,提出一种容错传输理论模型,通过部分纠错,部分提交的方式,最大限度保留可用信息,并通过将计算量转移至能力较强的接收汇聚节点,整体上提高了网络通信的能效性。给出了一种协议关键字段的前向纠错方法,在发送端无需编码的情况下,实现了分组中业务净荷的有效汇聚,为数据容错传输提供了理论基础。选择了无线传感器网络作为应用对象,利用其协议结构简单的特点,从分析分组数据中协议控制字段的冗余性入手,通过理论研究和仿真验证说明了无需编码前向纠错的可行性,在此基础上给出了基于贝叶斯网络的最大后验前向纠错模型,之后,针对先验概率模型时变特性,结合本文所提出的迁移学习算法给出了更具实用性的基于短时统计的纠错模型,仿真实验验证了算法具有较高的适用性。5、在容错传输框架下,业务净荷可能含错,将导致信息提取和恢复的困难,针对这一问题,结合无线传感器网络业务净荷字段的冗余性特征,给出一种贝叶斯压缩感知和卡尔曼递推最小二乘结构相结合的容错压缩感知重构算法,该算法可以在含错的观测数据中充分精确的进行数据的重构,从而进一步完善了容错传输理论模型。针对无线传感器网络中传输数据业务净荷字段具有的冗余性特征,结合贝叶斯压缩感知和卡尔曼滤波理论,给出了一种递推最小二乘和动态先验知识表示的容错压缩重构算法。将该算法在无线传感器网络多目标定位应用中进行了实验验证,结果表明该算法在保留传统压缩感知所具备的高压缩比采集能力的基础上,通过先验模型的引入极大的提高了重构算法的容错性能。在全文的最后,作为研究工作的收尾,对所做工作进行了全面的总结和概括,重点凝练了网络数据容错传输理论模型。并在分析研究成果的意义和不足的基础上,从个人角度对该领域的发展进行了展望。