Bayesian网络，也被称作概率信念网络、因果网络，是一种复杂联合概率分布的图表示方式，能有效地管理组成问题域的各随机变量之间的条件独立或依赖的关系。一旦一个Bayesian网络建立后，它就提供了一个有效的工具来进行具体问题的推理。但是如何有效的建立这样的一个网络，仍然是当前一个有待进一步解决的问题。蚁群算法作为一种新近提出的启发式算法，以其优越的全局优化的能力，获得越来越多的研究者的关注。这篇论文的主要工作包括： (1)引入了蚁群算法和遗传算法融合的思想，在广泛的参考和研究了前人所做工作的基础上总结出了两者的两种基本融合方式，并在此基础上进行了蚁群算法和遗传算法的融合在贝叶斯网络结构学习中的应用的探讨； (2)针对两种不同的融合策略分别提出了一系列的相关学习算法，在算法中充分考虑了两者各自的优势，克服了各自的缺陷，并通过融合时机和融合策略的选择提高了算法的性能和稳定性。 (3)给出算法的具体描述，并通过实验和相关的学习算法进行了比较。实验结果表明了蚁群算法和遗传算法融合在贝叶斯网络学习中的优势。 遗传算法的引入，使蚁群算法克服了它本身所具有的控制参数难以确定和早熟停滞等缺陷以及算法初期收敛较慢的缺点，进一步提高了蚁群算法在求解组合最优化问题中的效率。实验结果表明，蚁群算法和遗传算法融合的思想能显著的提高蚁群算法的性能，克服了蚁群算法可能陷入局部最优的缺陷，提高了算法初期的收敛速度，在数据完备和数据不完备的情况下都成功地从实验数据集中学习到了较理想的贝叶斯网络结构，显示出了相对其他同类算法较明显的优越性。