因果结构学习的目标是通过对大量数据的训练得到一个反映事物之间客观联系的因果模型。挖掘蕴含在数据中的因果结构关系,为我们认识事物发展变化的规律以及探究引起事物发展变化的本质因素提供思路和依据,从而更好的做出决策,是数据挖掘领域的重要内容。然而,目前为止对因果结构学习问题的研究只局限于静态特征空间下,而在数据动态变化急剧增长的今天,静态特征空间下的学习方法显然存在着空间和时间上的不适性和不可行性。为了将因果结构学习算法同样可以高效的应用在动态特征空间上,本文主要研究了动态特征空间下的因果结构学习算法,并且同时兼容静态特征空间下的因果结构学习问题,并且比其更加高效。具体而言,本文的研究工作如下:首先,针对现有因果结构学习算法无法适应动态变化的特征空间的现状,对动态特征空间下和因果结构学习的关键理论和技术进行研究,以流特征的概念来建模特征空间的动态性,提出了一种基于流特征的因果结构学习框架。在该框架中,我们对于每一个新到的特征,我们首先在已经到达的特征中选择出其可能的候选邻居节点来缩小候选邻居节点的搜索范围。随后基于这些可能的候选邻居节点进行进一步地筛选得到其候选邻居节点。对每一个新到的特征做上述处理,当没有新的特征到达时,我们开始进行受限的贪婪搜索得到最终的网络结构。然后,基于上述框架我们首先提出一种基于卡方检验的流特征下的因果结构学习算法-CSBS。对于一个新的特征,CSBS首先与已经到达的每一个特征进行基于G2测试的无条件独立性检验来排除具有独立关系的特征,对于具有依赖关系的特征,我们进行进一步的条件独立性检验。经过上述条件独立性检验对于已到的每个特征我们得到其候选的邻居特征。最后当没有特征到达时,基于上述候选邻居矩阵进行贪婪搜索确定边的方向得到最终的网络结构。实验证明了该算法在流特征下进行因果结构学习的有效性,同时也证明了算法框架的合理性和可行性。最后,我们又提出了另一种基于互信息的流特征下的因果结构学习算法CSSU算法。CSSU通过计算与已经到达的每个特征的互信息并且通过设置互信息阈值以筛选出其可能的候选邻居节点。对于满足阈值的特征,我们进行进一步的互信息的计算和比较来得到该特征的候选邻居特征。相比基于条件子集的独立性测试,基于单个特征的互信息的比较实际上将指数级的计算复杂度优化为线性级别了。实验证明该算法在准确性和时间性能上均优于其他算法,取得了较好的效果。