对贝叶斯网络结构进行学习是一个NP难解问题，并且当数据集比较大时用经典算法如粒子群算法和爬山算法容易陷入局部最优值，K2算法要已知节点的次序，最大加权生成树算法寻优能力比较差。因此，本文提出一种新的方法对贝叶斯网络进行结构学习—离散的基于二进制编码的量子粒子群算法，采用了贝叶斯准则打分函数，并在学习的过程中引入了去环的操作，提高了搜索网络的准确性。在研究经典贝叶斯网络的基础上，引入了量子计算的概念，研究了量子贝叶斯网络及其结构。提出一种新的量子贝叶斯网络，证明其可以表示为概率幅的乘积，降低量子图模型的运算复杂度，主要工作如下：第一，研究了贝叶斯网络的结构，分析了一个贝叶斯网络模型实例结构及其条件概率分布。在此基础上，研究了贝叶斯网络的结构学习。重点研究了基于依赖分析的贝叶斯网络结构学习和基于评分搜索的贝叶斯网络结构学习，分析了现有一些经典算法比如K2算法和最大加权生成树（MWST）算法的优势和不足，并运用这两种算法仿真得到了贝叶斯网络的结构。第二，研究了两种主要的量子粒子群算法，基于量子位概率幅的粒子群算法QPSEA与基于量子力学波函数的QPSO算法，并以八个标准测试函数的仿真实验结果说明QPSO算法性能较好。针对贝叶斯网络是离散个体的特点，提出一种改进的量子粒子群算法-离散二进制编码量子粒子群算法作为贝叶斯网络结构的学习算法。第三，针对贝叶斯网络结构学习的特点，运用提出的改进算法对贝叶斯网络结构进行学习。为了提高结构学习的准确性，提出一种新的去环操作。并将本文算法学习得到的网络结构与粒子群算法、K2算法和MWST算法学习得到的网络结构进行比较，证明了本文算法能够学习出最优的贝叶斯网络结构，并且相比于其余三种算法拥有较高的学习效率和准确性。第四，将经典贝叶斯网络和量子计算理论相结合，研究了两种类型的量子贝叶斯网络，并对其性质进行研究。为了更直观地描述量子贝叶斯网络，降低计算复杂度，提出了一种新的量子贝叶斯网络结构。并证明了如何给量子贝叶斯网络拓扑结构的每个节点分配概率幅度。类比于经典贝叶斯网络，证明了量子贝叶斯网络也可以表示成概率幅度的乘积。最后给出了量子贝叶斯网络将来的应用方向。