随着RFID技术的不断发展,RFID的应用越来越广泛,其中包含关系探测受到国内外学术界和产业界的广泛关注。现实生活中广泛存在包含关系,这种关系相比于标签对象间简单的伙伴关系是一种更深层次的位置关联关系,处理过程也更加复杂,探测对象之间特定的包含关系可以提供高质量的服务。RFID技术的穿透性使其具有包含关系查询的天然优势,但由于RFID硬件设备固有的限制、对象移动以及部署环境等因素,使得RFID产生的数据存在多读、漏读以及脏读现象,这给对象间包含关系的处理带来了更加严峻的挑战。为了解决以上问题,更好的推理包含关系,本文展开以下工作:首先,针对RFID原始数据质量低且包含噪音的问题,综合考虑RFID的数据特性、应用约束条件以及部署环境的先验知识等因素,不同于常见的标签对象检测模型,本文建立了三状态物理划分模型进而构建了三状态读取率模型,该模型已经被最大熵法证明对提高系统整体性能是最佳的。其次,将上述RFID系统获取的原始数据转换为源读数矩阵的形式,对源读数矩阵进行贝叶斯推理得到可能位置集,在推理过程中,本文解决了三状态模型中边界阅读器下方对象读数与非边界阅读器下方对象读数个数不一致问题,使得推理结果更加合理。之后,每个时间元会得到监测区域中部分标签对象的可能位置集,依据可能位置集构建、维护时变图模型,利用时变图模型表征、统计对象间的可能包含关系:对象之间的边表示可能的包含关系,每条边上会添加一个统计向量,向量信息用来记录边上对象间具有包含关系的正向或者负向支持度。得益于对象位置的贝叶斯推理,每个对象的位置分布是以概率形式表示的,使得对象之间可能包含关系的量化更加精确细化。每个时间元不断更新图模型,随之不断推理对象间的包含关系。另外,通过大量模拟数据验证了该方法的准确性、高效性、可扩展性、灵活性以及稳定性。最后,在上述推理方法的基础上,添加了点互信息模块。将点互信息创新性地应用到包含关系研究领域,为了阐述清楚,首先定义了一些基本概念,接着着重介绍了点互信息在本文中的数学计算方法以及在算法中的高效实现,最后将点互信息模块整合到算法中。另外,通过大量模拟数据验证了该算法的可扩展性、灵活性以及稳定性,并分析了点互信息模块带来的利与弊,给出了该算法的实际意义。总之,本文针对RFID设备以及RFID数据的特性,构建读取率模型清洗数据、构建时变图模型表征可能包含关系、利用统计信息推理包含关系以及利用点互信息模块修正推理结果。最终给出了一个完整的解决方案。