随着管理决策任务的愈加困难和人们的信息交流愈加便利，越来越多的决策倾向于集思广益的方式，群体决策逐渐成为决策问题中的焦点。在决策过程中，由于问题的复杂性和人们对问题认知的不确定性，往往导致决策专家无法准确的给出决策信息，因此就形成了不确定性决策问题。本文针对不确定性多属性决策问题，给出了一种基于贝叶斯网络推理的双重信息决策方法。为了贝叶斯网络结构的构建，本文首先基于现有的接近关联度模型的不足之处提出了一种新的绝对接近关联度模型，分析了其计算公式和性质，并用算例证明了其有效性和实用性，为贝叶斯网络结构图构建中确定专家权重提供了基础。针对由专家知识确定贝叶斯网络结构时，当专家所给信息是直觉模糊数形式的网络结构生成问题，为了确定各专家的权重，基于新的绝对接近关联度模型定义了一种新的直觉模糊集关联测度模型，研究了新关联度的性质，给出了确定专家权重的方法从而集结专家信息确定网络结构，介绍了该网络生成方法的详细步骤。网络生成之后，针对一类不确定多属性决策问题，即专家所给决策信息中有部分属性的值不是唯一确定的，而是以一定的概率分布的。此时由于问题的复杂性和专家信息的不完全性，导致专家无法给出一些属性值的概率分布。针对这类问题，提出了考虑双重信息的基于贝叶斯网络推理的决策方法。首先根据实际问题的贝叶斯网络图，推理出未知概率分布的属性的概率分布，进而结合专家决策信息得到各专家下的方案的评价值，通过建立集结各专家对方案的评价值模型进而得到方案综合评价值，从而得出决策结果。最后，考虑了双重不完全信息的多属性决策问题，即当专家对不确定的属性值概率分布有一定的偏好时，专家以不确定形式区间数形式给出了对属性值概率分布的偏好，而贝叶斯网络中部分节点的条件概率分布也是区间数形式时，提出了集结双重不确定信息的贝叶斯网络推理决策模型。首先根据专家决策信息计算了方案评价值所在范围，再利用贝叶斯网络推理出属性值概率分布的数学表达式，进而得出方案评价值表达式，最后建立使得二者偏差最小的集结模型，最终得出方案的综合评价信息，得到各方案间的优劣排序。