贝叶斯网络以其自身独特的优势，成为目前不确定知识表达和推理领域中最有效的理论模型之一，广泛应用于人工智能，故障诊断等多个领域。贝叶斯网络学习包括参数学习和结构学习，其中结构学习是核心。本文以知识和数据为驱动，针对贝叶斯网络结构学习进行了研究。
　　本文研究了基于数据的贝叶斯网络结构学习算法，提出了pMIC_BPSO_ADR混合算法。该算法先针对基于最大信息系数(MIC)的条件独立性测试的方法（第一阶段算法）进行改进，通过引入惩罚因子p1，p2的方法避免无效三角环的产生。通过基于改进MIC的条件独立性测试的方法（第一阶段算法）确定局部网络框架。然后，通过BIC评分函数、二值粒子群(BPSO)+增边减边反转边(ADR)启发式搜索算法为搜索策略的评分搜索算法（第二阶段算法）进行学习。提出了小范围搜索+大范围搜索的思路，采用BPSO进行局部网络框架的搜索，采用新提出的ADR启发式搜索策略进行全局网络搜索。仿真结果表明，本文提出的pMIC_BPSO_ADR混合算法在进行贝叶斯网络结构学习时具有更好的性能。
　　本文研究了知识应用于贝叶斯网络结构学习（数据学习）的方法，提出了一种不同类专家知识在混合结构学习算法的应用方法。本文将专家知识分为完整知识和不完整知识两大类，又细分为六种情况。在第一阶段算法中，通过不同类知识的添减边规则修正初始网络的生成过程;在第二阶段算法中，通过改进评分函数，将不同类知识作为BIC评分函数的惩罚项，使得数据学习的结构在趋向于专家知识时给予更少的惩罚，使得与专家知识越一致的网络越容易别选择出来。仿真结果表明，本文提出的不同类专家知识在混合算法结构学习的应用方法是有效的，使得贝叶斯网络结构学习的性能更好。