人工智能研究的目的无非是用机器模拟人脑的思维，人类的思维是多样性的，虽然很多思维现象体现为对确定性信息的处理，然而更多的现象却体现了各种各样的不确定性，而且，客观世界中的绝大部分现象都是不确定的。因此，真正的人工智能系统要能很好反映人脑思维的不确定性并能对各种无所不在的不确定性信息进行处理。于是，如何表示和处理知识的不确定性也就成为人工智能研究的重要课题之一，也是人工智能面临的一大难题。因果图与信度网类似，是概率论与图论结合的一种数学工具，其特点是提供不确定知识的表达和灵活的推理方法：用节点表示事件或变量，有向边表示因果关系，并用连接强度来表示因果关系的强度，支持由原因到结果的正向推理方式和由结果到原因的反向推理方式以及正反向混合推理方式。但因果图与信度网相比又具有一些自己独特的优点，在不确定性知识间的因果关系表达更加方便，尤其在故障诊断领域更有独特优势。因此对因果图的进一步研究不仅具有重要的学术意义，而且具有很好的实用价值和经济价值。 本研究围绕着因果图的知识表达、学习、推理进行了讨论和研究，主要内容包括： 在扼要介绍了一些比较常见的不确定性知识的表示和推理方法，如证据理论、确定性因子、模糊逻辑与模糊推理、粗糙集理论、主观Bayes方法、信度网的基本知识和面临的困难之后，比较详细地阐述了因果图的基本知识、相关理论和推理算法。