Os Modelos de Diagnóstico Cognitivo (MDC) são modelos de variáveis latentes discretas que visam a determinar o padrão de posse de habilidades ou atributos de um indivíduo com base em suas respostas a um teste. Essa classe inclui os modelos de diagnóstico gerais, cuja formulação permite que vários outros MDC sejam obtidos como um caso especial do primeiro. Este trabalho apresenta contribuições para esses modelos gerais em uma abordagem Bayesiana. Primeiro, apresentamos formulações Bayesianas para dois modelos gerais de diagnóstico cognitivo, o modelo DINA generalizado (G-DINA) - baseado no modelo Deterministic Input, Noisy “AND” Gate, cuja sigla em inglês, DINA, será mantida - para respostas dicotômicas; e o modelo de diagnostico cognitivo generalizado para respostas politômicas (MGDCP). Tais formulações incluem novos conjuntos de restrições para os parâmetros dos itens para melhorar a estimação e a interpretabilidade dos parâmetros do modelo. Ambos foram implementados utilizando o software JAGS, cujas implementações são disponibilizadas nesta tese. Para ambos os modelos, foi elaborado um estudo de simulação a fim de avaliar a acurácia na recuperação dos parâmetros do método de estimação Bayesiano e os resultados comparados com aqueles obtidos com o método de estimação clássico. Ademais, os resultados de ambos os estudos indicam que o método de estimação Bayesiano proposto recupera todos os parâmetros com acurácia igual ou superior ao do método de estimação clássico nos cenários avaliados. Em um exemplo de aplicação, os dois modelos propostos são utilizados para examinar as respostas de 1111 estudantes universitários ao Inventário de Depressão de Beck (BDI) utilizando MDC. Primeiro, é realizado uma análise comparativa entre os resultados obtidos com o modelo DINA (adotado na formulação original dessa metodologia) e o modelo G-DINA, ambos aplicados aos dados dicotomizados. Depois, comparamos os resultados obtidos com o modelo G-DINA, aplicado aos dados dicotomizados e o MGDCP, aplicado aos dados politômicos originais. Por fim, em outro exemplo de aplicação, apresentamos um novo sistema de recomendação para filmes que incorpora um MDC em sua formulação. O MDC é utilizado para fazer a predição da classificação que um usuário daria a cada item e recomendar os itens com base nessas predições. O método proposto foi aplicado a dois conjuntos de dados de filmes e seu desempenho foi comparado a outros sistemas de recomendação encontrados na literatura, apresentando resultados superiores aos dos métodos concorrentes.