近来,伴随着传感器、无线射频识别(Radio Frequency Identification, RFID)等电子数据采集设备的快速发展,各类应用需求的数据信息越来越方便地被采集到。由于对事件的处理能有效地帮助人们从采集到的数据信息中获取到有价值的信息,因此愈加受到广泛的关注和研究。然而在一些实际应用中,比如物流与供应链、交通、医疗卫生等行业,用户希望能够通过动态地处理数据信息,然后统计出数据信息中最相关的、最有意义的事件,并且能够合理地推断出当某一事件发生时,它的最有可能发生的后继事件或前驱事件。但是目前为止对于事件处理的推理能力的相关工作还不够成熟,因此,我们有待对它进行进一步的研究。贝叶斯网络是一种基于概率和统计理论的推理模型,因此本文采用贝叶斯网络模型研究事件处理技术。本文以事件流的特点和贝叶斯网络结构的理论知识为基础,融合两者的特点,将事件流融入到贝叶斯网络结构的构建过程中,并对构建的结构优化,然后在事件网络的基础上,对事件作一些推理计算和预测。比如,当某个事件发生后,查询该事件在时间或概率约束下的后继事件或前驱事件。本文的主要贡献如下：首先,针对动态事件流的特点,提出了将事件流如何转化为事件贝叶斯网络的具体方法。首先将采集到的原始数据流分类统计并查找数据流代表的事件之间的关联,搭建最原始的事件贝叶斯网络结构。其次,提出两种对构建的事件网络结构进行结构优化的方法,使之在结构复杂性和事件关联上同时达到最优的性能。再次,提出正向和反向贝叶斯推理算法,也就是对事件进行预测和诊断。即在时间和概率两个因素约束下,查找某个事件带概率的结果事件或原因事件。最后,在上述推理算法中计算相关事件之间发生的时间间隔。反应不同结果或原因事件发生的时间粒度不同。通过理论分析和实验评估,证明了本文提出的基于贝叶斯推理的事件处理符合理论上的可行性和操作上的正确性。