贝叶斯网络(Bayesian networks)是描述随机变量之间依赖关系的图形模式，被广泛用于不确定性问题的智能化求解。它具有多功能性、有效性和开放性(是一个能够集成其它智能技术与数据处理方法的平台)等特征，能够有效地转化数据为知识(具有形象直观的知识表示形式)，并利用这些知识进行推理(具有类似于人类思维的推理方式)，以解决分析、预测和控制等方面的问题。其有效性已在风险管理、信息融合、医疗诊断、系统控制和生物信息分析等许多领域得到验证。   

自从20世纪80年代后期加利福尼亚大学计算机科学系Pearl(1988)给出贝叶斯网络的严格定义并创建贝叶斯网络基础理论体系以来，贝叶斯网络获得了长足的发展。这些研究主要从贝叶斯网络学习、推理、集成和应用四个方面展开，出现了许多经典的方法和算法，也解决了大量的实际问题。    本书共分五个部分。   

第一部分是贝叶斯网络基础，包括第1、第2、第3章。第1章介绍在贝叶斯网络研究中经常使用的一些概率公式和方法。第2章从概率模式、图形模式和它们之间联系的视角简要阐述贝叶斯网络的基础理论。第3章给出贝叶斯网络学习和推理中可能用到的一些量化方法和标准。   

第二部分是贝叶斯网络学习，包括第4章至第10章。这几章分别从具有完整数据、丢失数据、隐藏变量、连续变量、噪声和小数据集等情况给出了一系列贝叶斯网络学习方法，以及随环境变化的贝叶斯网络更新算法。   

第三部分是贝叶斯网络推理，包括第11、第12章。第11章从贝叶斯网络信念更新和信念修正两个方面简要介绍经典的准确和近似推理方法。第12章给出一系列贝叶斯网络分类器(分类预测推理)。   

第四部分是贝叶斯网络集成，包括第13章至第16章。这几章介绍将贝叶斯网络与因果理论、决策理论、可能理论和时序过程相结合而得到的因果贝叶斯网络、决策贝叶斯网络(影响图)、可能贝叶斯网络(可能网)和动态贝叶斯网络。   

第五部分是贝叶斯网络应用，包括第17、第18章。第17章介绍基于贝叶斯网络的聚类分析方法。第18章给出贝叶斯网络在预警和评估等方面的应用。   

本书是作者在多年从事贝叶斯网络研究基础上整理而成的，其撰写和出版得到国家自然科学基金(60675036)、上海市教委重点学科基金(J51702)和上海市教委科研创新重点项目(09zz202)的资助。

王双成   

2009年11月于上海立信会计学院