贝叶斯网络是表示变量间因果概率的一种图形模型，以其坚实的理论基础、知识结构的自然表述方式、强大的推理能力成为人工智能领域中处理不确定性信息的有效工具。动态贝叶斯网络是贝叶斯网络在时间上的扩展，是对人工智能领域中动态不确定性问题进行表示和处理的一种重要工具。本文在对贝叶斯网络全面概述的基础上，对贝叶斯网络和动态贝叶斯网络的推理方法进行了研究，并将其应用在地震灾害风险决策中的应用。全文的主要内容如下：　　 (1)贝叶斯网络的概述。概述了贝叶斯网络的起源与发展，以及贝叶斯网络的主要研究内容，详细介绍了贝叶斯网络模型、贝叶斯网络的构建过程、贝叶斯网络的类型以及贝叶斯网络的应用，并重点讨论了贝叶斯网络和动态贝叶斯网络的推理方法，给出了贝叶斯网络的联合树精确推理算法。　　 (2)针对传统自适应粒子滤波(APF)对于动态贝叶斯网络推理中面临的高维问题，提出动态贝叶斯网络的一种自适应的局部抽样粒子滤波算法(LSAPF)。LSAPF算法将BK算法分团的思想引入到粒子抽样中，利用策略相关性和局部模型的弱交互性为指导对动态贝叶斯网络进行分割，以降低抽样规模和抽样的状态空间；进而对局部模型用自适应粒子滤波算法进行近似推理，并以粒子的因式形式近似系统的状态信度。实验结果表明该算法能很好的兼顾推理精度和推理时间，与APF算法相比在不增加推理误差的情况下推理时间也有较大的提高。　　 (3)灾害风险决策问题具有模糊性、随机性，决策信息的不完备性、不精确性等特性使得风险决策难度很大。贝叶斯网络具有直观的表达能力和强大的知识推理能力等诸多优越性，为决策支持提供了有力手段。利用先验知识选取数据样本的属性变量，通过基于K2算法的贝叶斯网络的结构学习和基于最大似然估计方法的参数学习，建立地震灾害风险决策模型并对直接经济损失和受伤人口进行推理决策，得出比较合理的结果。