贝叶斯网络是由结构算法、参数算法、推理算法构成的概率图模型，是不确定性推理体系中强有力的工具，而如何利用贝叶斯算法快速、准确地构建贝叶斯网络是目前的研究重点。针对利用启发式算法改进贝叶斯算法时，存在搜索精度低、易陷入局部最优的问题，基于樽海鞘算法推导出改进的结构学习算法，基于粒子群算法推导出改进的推理学习算法。水泥回转窑的工作状态会直接影响水泥熟料的质量、能耗，因而采用贝叶斯算法对回转窑进行故障诊断。利用结构算法构建回转窑网络模型的结构，并根据推理算法对该模型中的故障节点进行诊断。具体研究工作如下：
　　首先，基于樽海鞘算法构建混合樽海鞘-差分算法，该算法根据最大支撑树与爬山算法构建初始种群，并建立自适应的规模因子划分种群。利用改进的变异算子与交叉算子分别构建樽海鞘搜索策略与差分搜索策略更新不同的子种群，并在合并子种群阶段利用两点变异算子增加种群多样性。由算法的收敛性分析可知，通过种群的迭代搜索得到最优贝叶斯网络结构。
　　其次，基于粒子群算法建立简化免疫粒子群法，该算法将利用免疫策略提取种群的优秀基因，构建简化粒子群策略更新自适应划分的子种群，利用改进的联姻策略增加子种群之间的交流。并根据简化免疫粒子群算法提出混合粒子群-差分算法，该算法利用自适应的反向学习策略增加初始种群的多样性，将差分变异算子引入粒子群算法建立自适应概率分层搜索策略更新种群，构建自适应的变异策略避免算法陷入局部最优。
　　最后，利用改进的贝叶斯算法对回转窑的故障进行诊断，根据回转窑的工艺流程及专家知识，提取回转窑的故障特征为节点变量。利用混合樽海鞘-差分算法与最大似然估计法分别得到回转窑网络模型的结构与参数，并利用混合粒子群-差分算法对回转窑模型的故障节点进行概率推理学习，根据推理结果对回转窑的故障进行诊断。