在日常生活中，人们往往进行常识推理，而这种推理通常是不准确的。

例如，你看见一个头发潮湿的人走进来，你可能会认为外面下雨了，那你也许错了；如果你在公园里看到一男一女带着一个小孩，你可能会认为他们是一家人，你可能也犯了错误。

在工程中，我们也同样需要进行科学合理的推理。

但是，工程实际中的问题一般都比较复杂，而且存在着许多不确定性因素。

这就给准确推理带来了很大的困难。

很早以前，不确定性推理就是人工智能的一个重要研究领域。

尽管许多人工智能领域的研究人员引入其它非概率原理，但是他们也认为在常识推理的基础上构建和使用概率方法也是可能的。

为了提高推理的准确性，人们引入了概率理论。

最早由Judea Pearl于1988年提出的贝叶斯网络实质(Bayesian Network)上就是一种基于概率的不确定性推理网络。

它是用来表示变量集合连接概率的图形模型，提供了一种表示因果信息的方法。

当时主要用于处理人工智能中的不确定性信息。

随后它逐步成为了处理不确定性信息技术的主流，并且在计算机智能科学、工业控制、医疗诊断等领域的许多智能化系统中得到了重要的应用。

贝叶斯理论是处理不确定性信息的重要工具。

作为一种基于概率的不确定性推理方法，贝叶斯网络在处理不确定信息的智能化系统中已得到了重要的应用，已成功地用于医疗诊断、统计决策、专家系统等领域。

这些成功的应用，充分体现了贝叶斯网络技术是一种强有力的不确定性推理方法。

有关贝叶斯网络的站点：http://www.***.edu/~murphyk/Bayes/bayes.html2、http://www.***.org/3、http://www.***.com/4、http://www.***.com/5、http://xxx.***.gov/archive/bayes-an。