随着人类社会的不断发展,陆地上的不可再生资源逐渐匮乏,人类对海洋资源的开发已势在必行。无人无缆水下机器人（AUV）作为一种高效率的水下工作平台,在海洋开发中发挥着不可替代的作用。随着AUV应用范围的扩大和作业任务的增加,AUV系统变得越来越复杂,再加上海洋环境恶劣复杂,不可避免的会出现各种故障。尤其对于全海深AUV（可以下潜到海洋最深处,约11000米）来说,其系统自身还需要承受110MPa的外部海水压力,巨大的海水压力以及复杂未知的全海深环境将进一步加大故障发生的可能性。通过对AUV运动状态进行智能监测,并根据AUV的状态,制定合理的决策措施,对AUV的安全性来说,具有重要的意义。本文针对全海深AUV安全决策问题,主要进行以下研究工作:研究全海深AUV安全决策系统的总体方案。根据全海深AUV在深海环境运行工作的各阶段具体流程,研究分析AUV可能面临的主要危险状态以及应采取的决策方案。根据全海深AUV的特点,研究适合本课题的贝叶斯三层决策网络框架结构,设计网络构建流程,建立全海深AUV安全决策系统的总体方案以及工作流程。研究基于贝叶斯网络的全海深AUV安全决策推理模型。根据贝叶斯网络设计流程,分析贝叶斯网络各层节点属性信息。针对贝叶斯网络结构学习问题,研究通过评分搜索算法进行网络结构学习。针对贝叶斯网络中部分节点变量先验概率缺失的问题,研究将样本统计与专家经验相结合的方法补全缺失概率信息。采用Netica软件建立全海深AUV安全决策系统的网络模型,通过仿真分析验证建立的贝叶斯网络对全海深AUV安全决策的有效性。研究改进的贝叶斯网络推理模型。针对传统贝叶斯网络中存在属性冗余的问题,研究基于粗糙集和上下近似集的方法进行属性约简,并通过皮尔逊积矩相关系数和双侧T检验方法验证约简的合理性。针对贝叶斯网络中未能体现出对诊断决策结果影响较大的节点变量权重的问题,研究基于词频-逆文档频率加权因子（TF—IDF）算法以及基于多元线性回归模型的方法进行属性加权,并通过节点灵敏度分析验证属性加权的合理性。通过Netica软件对改进前后的贝叶斯网络进行安全决策推理仿真比较,验证贝叶斯网络改进后的有效性。对改进的贝叶斯网络模型安全决策系统进行实验研究。为验证本文设计并改进的安全决策系统对危险状态评估决策的合理性,分别进行单个危险状态发生时的水池模拟实验和多个危险状态同时发生时的水池模拟实验。为验证在实际海洋环境中安全决策系统的有效性,按照课题的具体要求,进行南海1500米AUV漏水信号异常和深、高度信号异常情况下的海试试验验证。