贝叶斯网络是伴随着影响图发展起来的一类决策分析工具,它提供了不确定性环境下的知识表示、推理、学习手段,可以完成决策、诊断、预测、分类等任务。在故障诊断领域,不确定性问题占多数,贝叶斯网络能够有效的解决复杂系统不确定因素引起的故障,因此,近几年来贝叶斯网络被越来越多的应用于故障诊断领域,并产生了广泛的影响。本篇论文首先介绍了贝叶斯网络的相关理论,包括贝叶斯网络的定义、特点、学习和推理等,为利用贝叶斯网络解决实际问题,建立样本数据结构和依赖关系奠定了基础。其次介绍了国内外现行的贝叶斯网络的结构学习和参数学习算法,并对贝叶斯网络学习算法中的一些问题进行了分析。由于现有的贝叶斯网络学习方法主要是针对完整或不完整的大数据集,而在实际应用中,往往只能获得含有较少数据的小数据集。对于这种情况,本文探讨性地使用了Boostrap和K2相结合的算法,并通过对Asia网络的实验分析证明了,该算法能够较好的解决使用小数据集设计贝叶斯网络的问题。在分析了油中溶解气体量与变压器故障诊断的相关性、现有的基于变压器油中溶解气体的故障分析方法的优缺点后,利用此算法,构造了合理的变压器故障诊断的贝叶斯网络,并进行了变压器油中溶解气体的贝叶斯网络故障诊断分析,并将基于贝叶斯网络的变压器故障诊断方法和常用的三比值变压器故障诊断方法进行了比较。