贝叶斯网络,也被称作因果网络,或概率网络。它是研究人工智能领域不确定性事件的有效手段,也是图模型推理的重要方法。联合树算法通过将贝叶斯网络转化为联合树的图形来表示联合概率分布,完成贝叶斯网络的推理操作。目前联合树推理算法成为一种快速、应用广泛的贝叶斯网络精确推理算法,为解决实际问题提供了重要方法。虽然基于联合树的贝叶斯网络推理发展取得了里程碑式的进展,但在发展过程中还是存在许多问题。对联合树算法中存在的问题做了深入学习,研究。首先介绍了贝叶斯网络及其推断所用到的基本知识,重点介绍了无向图权重这一概念及相关性质。并在此基础上,有针对性的研究了联合树三角化问题,提出了最小权重法,使得在三角化过程中,找到合适的消除顺序,得到具有最小权重的弦图。通过例子验证了该算法的合理性,有效性。此外,该算法还能够准确找出弦图中涉及的所有团集合,为建立联合树打下基础。最后,本文对联合树上的信息的传递过程做了深入研究。在基于惰性传播的条件下,对LAZY-ARVE变量消除算法做了改进,提出了依照得分函数确定变量消元顺序的最小填充边算法,并与LAZY-ARVE做了比较。结果表明,该算法确实在信息传递时减少了不必要的填充边。文章的最后通过使用逆转弧相关算法分析解决了实例问题。