贝叶斯网络(Bayesian Network,BN)是Pearl提出的一种基于概率论和图论的不确定知识表示模型。它具有清晰语义的网络结构；它揭示领域对象的内在结构，是复杂全概率分布的紧凑表示方式；其坚实的理论基础、知识结构的自然表述方式、灵活的推理能力、方便的决策机制及有效的学习能力使其成为一种主要的不确定知识的处理方法。贝叶斯网络已经在专家系统、决策支持系统、数据挖掘系统和范例推理系统等许多重要领域产生应用价值和经济效益。 范例推理(Case-Based Reasoning，CBR)是近十几年来人工智能中发展起来的有别于基于规则推理的一种推理模式，它是指借用旧的事例或经验来解决新的问题，评价解决方案，解释异常情况或理解新情况。CBR兴起的主要原因是传统的基于规则的系统在知识获取问题上存在困难，对于处理过的问题没有记忆，导致推理效率低下、不能处理事例的例外情况，整体性能较为脆弱，而CBR恰好能够解决以上问题。CBR的显著优点有：信息的完全表达，增量式学习，形象思维的准确模拟，知识获取较为容易，求解效率高等。 本论文研究了贝叶斯网络、范例推理以及贝叶斯网络在范例推理中的应用。第一章，说明了本文的研究背景和意义并且简单总结了贝叶斯网和范例推理的研究历史和现状。第二章，首先给出了贝叶斯网络的概念，然后详细研究了贝叶斯网用于数据挖掘。分别对数据完整和不完整情况下，概率参数的学习和贝叶斯网结构的建立作了研究。第三章，讨论了Naive Bayes分类器、增强的NaiveBayes分类器和通用贝叶斯网分类器的基本原理及构造方法，并分析比较了这三类分类器各自的优缺点及适用范围。第四章，讨论了范例推理的基本原理，首先简要介绍了CBR系统的特点和CBR的整体结构；之后对CBR中的关键技术作了深入的研究和探讨。第五章，研究了将贝叶斯方法应用于范例推理中两个非安徽大学硕!学位论文贝叶斯网络及其在范例推理中应用的U「究常关键的环节—范例检索和范例库维护。第六章是全文的总结和研究工作的展望。