不确定性问题作为人工智能最核心的研究任务,将不确定性问题的求解方法大致分为两类:一类是基于概率的方法,一类是基于非概率的方法。因果图推理是一种概率的方法,因果图以图形的方式表达复杂系统的因果关系。由于因果图推理中存在不确定性问题,为了更形象的将系统的不确定性进行表达,本文主要是研究因果图的两种不精确推理:将概率矩阵近似处理转化为精确概率值;将求基本事件精确概率值扩充为求区间概率。主要内容如下:(1)把一个复杂系统用因果图知识表达,进行系统故障诊断时,用节点事件表示故障源,用有向边表示因果关系。由于子变量的赋值状态数不同,将因果图分为单值因果图和多值因果图。将传统因果图推理用于多值因果图中会出现概率不归一的现象,因此提出一种多值因果图的不精确推理。该推理方法是根据因果影响程度找到连接事件概率值,而该概率值是在引入了事件缺省状态,并假设事件各状态之间互斥的情况下求得的。根据概率矩阵中事件各状态发生的概率找到其发生的可能性大小,再进行概率分配,使概率满足归一性,将多值因果图转化为单值因果图。(2)因果图作为一种基于概率的知识表达方法,是对基本事件发生概率已知时进行推导计算,而实际应用中,由于数据的误差、缺失,专家的主观偏见等很难获得精确概率值,针对此情况本文提出将精确值扩充为区间数。根据Dempster-Shafer证据理论(简称D-S理论),将专家知识或者系统数据进行融合,通过计算得到似然函数Pls(Plausibility Function)和信任函数Bel(Belief Function),将其分别作为概率区间的上下界,形象表达系统的模糊性和不确定性,同时还降低了获取精确概率值的难度。