在机器学习、模式识别、人工智能等领域，静态贝叶斯网络和动态贝叶斯网络越来越成为人们研究的热点。尽管动态贝叶斯网络与Kalman滤波器在很多年前已经被人们所熟知，而且Kalman滤波器已经广泛应用于工业生产、自动化等领域，但是贝叶斯网络几乎没有被应用于解决动态系统的自适应控制等问题。动态系统的自适应控制是制造工艺等工业领域的一个重要问题。在系统的数学模型不易得到的情况下，贝叶斯网络可以通过系统实例数据进行训练，从而得到静态或动态系统模型；在训练过程中，即使有丢失的信息，贝叶斯网络也能够进行处理。这使得贝叶斯网络优于人工神经网络等其它自适应系统。德国学者Rainer Deventer对贝叶斯网络应用于控制系统领域，做了一些基础理论分析和研究。动态贝叶斯网络作为控制器，其本质就是利用系统的模型，建立起系统的贝叶斯网络，使用系统的历史数据，进而根据贝叶斯网络的推理方法，来推理出控制系统最能够满足下一时刻输出值的系统输入值，从而达到控制器的目的。文章首先展示了动态贝叶斯网络作为控制器的可行性，分析了动态贝叶斯网络和Kalman滤波器在对线性动态系统建模和控制方面的相似性。接下来根据德国学者Rainer Deventer提供的动态贝叶斯网络的训练和推理方法，对动态贝叶斯网络在控制系统中的实现进行了分析，文章展示了动态贝叶斯网络模型在动态系统中推理计算得出控制系统所需输入值的可行性。文章选取了最常见的弹簧振子模型，使用matlab贝叶斯网络工具箱，进行模型的建立、动态贝叶斯网络控制器的设计，仿真分析模型的阶跃响应和脉冲响应。为了说明动态贝叶斯网络应用于控制系统的效果，采用经典的PID控制方法对所建立模型进行仿真分析，与动态贝叶斯网络控制器进行超调量、响应时间、稳态误差等方面的对比。仿真分析结果表明，动态贝叶斯网络表现出了和PID控制器几乎相同的性能。但是对于文章的分析来讲，是在系统准确模型的基础上进行动态贝叶斯网络控制器的建模的，没有使用实际数据进行训练得出系统模型，这就发挥不出贝叶斯网络的优势。在后续研究中，将该控制方法应用于船舶运动的直线航速的控制问题中，以实际的船舶模型及采集的数据，进行系统模型训练和控制，将再次与PID方法进行对比，来考究动态贝叶斯网络应用于控制领域的优劣性。