现在的时代是一个如同井喷一般信息爆炸的时代，大量的数据以及复杂的系统网络充斥在我们身边，找到一种行之有效的分析方法，建立一个切实可行的数学模型，发现一条种全新的思维方式，对于我们处理复杂的数据，分析现有数据，发现和挖掘数据背后的规律，通过数据来探究事物的本质具有重要的意义。　　因此概率图模型也就应运而生，概率图模型是概率论和图论有机结合的产物，它不仅能够用图论的方式展示问题的结构信息，还能够保持对统计学的相关性质有着良好的适用性，这样大大降低了我们计算问题的复杂程度，提高了我们的工作效率，使得人们可以把概率论应用于机器学习、因果推断、人工智能等领域。　　本文围绕着概率图模型的基本知识展开，研究了马尔科夫网络和贝叶斯网络的极大似然估计，得到了在两种情况下的参数的极大似然表示式，对马尔科夫网络的联合分布及边缘分布进行了研究，利用变量消除的思想，得到了其一个精确算法；但是当问题的规模很大时，该算法的计算量也会变得很大，没有多项式时间算法，通过引进信息传播概念，给出了其一个近似算法。通过引入素块的概念，对图模型的结构分解算法进行了研究，给出了一个将图模型进行降维的有效算法，从而降低处理图模型问题的复杂程度。