异常工况下的安全控制问题在工业自动化发展过程中一直受到广泛地关注,对于保证运行性能及产品质量具有重要意义。由于原料特性的变化及不适当的操作策略,工业现场的异常工况时常发生。异常工况的发生将导致严重的经济损失甚至安全威胁。由于工业现场生产环境恶劣、基础自动化水平较差等原因,大部分异常工况的安全控制决策均由现场操作人员利用自已的操作经验及专业知识制定。但是,不同操作人员拥有不同的专业技能,操作人员给出的决策大多是定性的,且在处理多源信息的能力上是有限的,往往无法给出准确的决策方案。因此,根据异常工况的特征,制定有效的安全控制决策,确保工业过程的稳定运行,具有十分重要的理论意义和应用价值。实际工业过程由于受到外部环境、原料特性、生产条件等因素的影响,存在大量的不确定性信息。传感器本身的局限性及环境的影响,使收集到的数据信息的准确性受到严重影响。在历史数据库中,异常工况发生的次数经常是十分有限的。因此,相比正常工况下的数据信息,可以收集到的异常工况数据信息相对较少。使用传统的数据信息建模方法,无法准确获得安全控制决策方案。但是,在异常工况识别及制定安全控制决策的过程中,有大量的专家知识、操作经验可以利用。因此,如何合理整合专家知识及操作经验,利用有限的异常工况数据信息,建立有效的安全控制模型,成为本文要解决的主要问题。贝叶斯网络是一种有效的专家知识表达和数据信息整合工具,在不确定性问题的表达和推理方面具有优势。在深入了解实际工业过程异常工况安全运行控制问题的基础上,从解决实际问题的角度出发,本文探索了基于贝叶斯网络的工业过程安全运行控制方法。（1）针对复杂工业过程的安全运行控制问题,本文提出了基于贝叶斯网络的安全运行控制建模方法及在线应用策略,明确了建模过程中涉及到的结构形式及学习方法,确定了在线应用过程中的证据选择及推理方法。提出的方法应用于解决金湿法冶金浓密过程的安全控制问题。本文总结了该过程常见的异常工况,收集了与异常工况相关的变量,明确了异常工况发生的原因、现象及相应的安全控制措施。基于异常工况下收集的专家知识、操作经验及数据信息,利用提出的基于贝叶斯网络的安全运行控制方法,建立了金湿法冶金浓密过程的安全控制模型。利用在线的异常工况证据信息,获得了实时的安全控制决策。（2）针对贝叶斯网络节点关系确定问题,本文提出了基于直觉模糊集的群专家决策制定方法。通过分析贝叶斯网络节点间的备选关系,将节点关系确定问题转化为群专家决策制定问题。为了确定贝叶斯网络节点间关系,提出了群专家知识表达、融合及决策方案。针对不同条件的备选信息,确定了融合算子的选择原则及犹豫度对不一致信息整合结果的影响。（3）针对贝叶斯网络结构学习问题,本文提出了专家知识与数据信息相融合的贝叶斯网络结构学习方法。针对变量间关系收集专家知识,基于直觉模糊集进行群专家知识表达及整合,并以此确定贝叶斯网络的先验结构矩阵。在满足先验结构矩阵前提下,提出了改进的记分搜索方法来获得符合数据信息的最优贝叶斯网络结构。该方法提高了贝叶斯网络结构学习的效率和精度。（4）针对贝叶斯网络的模型更新学习问题,本文通过融合新环境下的专家知识与数据信息,提出了新的模型更新学习方法。为了使已经建立的模型拥有适应环境变化的能力,从而保证新环境下模型决策的性能,本文提出了贝叶斯网络参数更新学习方法及结构更新学习方法。通过搜索不再适应新环境变化的节点作为目标节点,对现有模型进行有针对性地更新学习。该方法在利用新环境下的专家知识和数据信息的同时,保留原有模型中的有效信息,提高了贝叶斯网络模型更新学习的效率。（5）针对目标域的数据信息有限,无法建立精确模型的问题,本文提出了新的贝叶斯网络迁移学习方法去建立目标域模型,包括:贝叶斯网络结构迁移学习方法和参数迁移学习方法。针对贝叶斯网络结构迁移学习,通过整合多源域的公共结构信息及目标域的特异信息,来确定最终的目标域贝叶斯网络结构。针对贝叶斯网络参数迁移学习,通过区分不同源域与目标域的相似度,利用融合算法获得目标域参数。提出的贝叶斯网络迁移学习算法提高了目标域的建模精度。本文提出的基于贝叶斯网络的工业过程安全运行控制方法,在金湿法冶金浓密过程的安全控制建模过程中进行了仿真验证,证明了提出方法的有效性。本文所提的方法在一定程度上为解决实际工业问题提供了思路,具有一定的理论研究价值和实际应用意义。