贝叶斯网络(B ayesian Networks, BN)是一种表达节点之间概率分布的图形模型,在不确定性领域的应用表现出了优越的性能,已经成为人工智能、决策系统、机器学习等领域的研究热点。贝叶斯网络学习由参数学习和结构学习两部分组成,而构造正确的贝叶斯网络结构是进行参数学习的前提,且贝叶斯网络结构学习已经被证明为NP问题,因此研究有效的贝叶斯结构学习算法具有非常重要的理论意义和现实价值。首先,文章阐述了贝叶斯网络的研究背景、发展现状,并详细介绍了贝叶斯的基本理论和贝叶斯结构学习的常用三类方法。其次,在详细介绍了遗传算法和粒子群算法的基础上提出了混沌混合遗传算法用于贝叶斯结构的学习。该算法融合了遗传算法和粒子群算法,并采用云模型自适应的调整惯性权重,加快收敛,增加种群多样性,并优化了种群的初始化；除此之外,利用混沌的遍历性,实现在约束条件下对所有的结构进行均匀的搜索,提取初始的网络种群,进行混沌搜索,避免局部最优。最后通过实验证明该算法的有效性和高效性。然后,在详细介绍了Memetic算法框架的基础上提出了改进混合进化算法用于贝叶斯结构学习。该算法在进化重组方面利用粒子遗传算法；在局部搜索方面根据混沌映射、云模型的特性提出了云自适应的混沌变异搜索。最后通过实验证明该算法的优越性,并与混沌混合遗传算法进行学习过程的比较,更体现了该算法的较高的学习效率。最后,总结了全文,并提出了下一步的研究方向。