貝葉斯網絡是以概率理論為基礎的不確定知識表示模型，貝葉斯網絡推理的目的是得到隨機變量的概率分布。目前，最流行的推理算法是聯合樹算法，它的主要思想是將貝葉斯網絡轉化為一棵無向樹，在無向樹上完成消息傳遞過程，求出原貝葉斯網絡中任意隨機變量的概率分布。為了降低算法的計算時空復雜度，對算法進行了不斷的改進，為貝葉斯網絡推理算法的進一步研究提供了條件。
貝葉斯網絡(Bayesian Network)又稱信度網(Belief Network)、概率網(Probability Network)是美國加州大學J.Pearl 教授首次完整提出的，是繼模糊邏輯、可信度方法和神經網絡等方法之后的不確定知識表示模型，它不僅有著堅實的概率論理論基礎，同時又能夠很好地同專家頭腦中的知識結構相對應，所以引起了人們廣泛重視，在醫療診斷系統，數據挖掘，決策支持系統，軟件開發過程的軟件測試，網站的智能導航，電力系統的可靠性分析、故障診斷等都有著重要的應用價值和廣闊的應用，已經成為人工智能領域對不確定性知識的描述和推理十分重要的方法[1]。圖1 是一個簡單的貝葉斯網絡。
貝葉斯網絡的推理是貝葉斯網絡研究的重要內容，研究人員提出了多種精確和近似推理算法，其中聯合樹(Junction Tree)算法[2]，又稱為Clique Tree 算法、Clustering 算法，是目前計算速度最快，應用最廣的貝葉斯網絡精確推理算法。該算法最初是由Lauritzen and Spiegelhalter (1988)提出的，此后Jensen(1990)和Dawid(1992)又對其進行了改進。聯合樹算法以其容易理解，計算推理結果精確，高效的特點，得到廣泛應用，許多有關貝葉斯網絡研究和應用的軟件都將其作為默認的推理算法。