钢铁工业是国民经济的支柱产业，其非常关键的地方就是要做好高炉冶炼。高炉冶炼过程是一个非常复杂的过程，这其中包含了许许多多的物理及化学反应过程。在高炉冶炼过程中，人们无法直接测量各类想要掌握的过程参数，并且由于冶炼是在封闭环境中进行的，所以人们只能通过间接方式去了解冶炼过程的进行。高炉炉况的故障诊断对于高炉冶炼有着非常重要的意义，而炉况是经常波动的，因此如果能全面了解高炉冶炼的炉况情况及异常情况并对其故障进行快速、准确的隔离和辨识，就可以更好的有计划的确定高炉故障的方向，便可以从很大程度上去降低维护的成本，提高经济效益，并可以防止重大事故的发生。本论文将主要研究在高炉故障诊断方面采用贝叶斯网络（Bayesian Networks）的方法来实现。论文探讨了贝叶斯网络在高炉故障诊断中的应用，将贝叶斯网络应用到高炉故障诊断模型的建模、学习和诊断中，提出了高炉故障诊断系统的设计方案，并设计了因果关系贝叶斯网络诊断模型和简单贝叶斯网络诊断模型，以及应用完备样本集对网络参数进行初始化训练。经过测试，对比分析了两种诊断模型的特点和性能。此外，为了完善诊断模型的功能，应用成熟的不完备数据处理算法来加以解决，并分析研究了应用Monte-Carlo方法、Gaussian近似算法和EM算法三种不同方法对不完备数据进行训练对贝叶斯网络产生的不同影响，并分析了产生差异的原因。贝叶斯网络是一种有向无环图，在这个网络中的各个节点的相关程度是用条件概率来表达的，贝叶斯网络是一种基于概率论的数学推理模型，它可以有效地把待测样本的先验知识和已获知数据加以利用，并对其进行训练和推理。