贝叶斯网络模式识别方法具有柔和性、容错性的优点,可以很好地处理不完备信息的识别问题,是目前不确定知识表示和推理领域中最有效的理论模型之一,是近年来数据挖掘和模式识别领域中的研究热点之一。论文在分析贝叶斯网络的发展过程和研究现状、贝叶斯网络分类器及其在模式识别方面的应用的基础上,针对贝叶斯网络分类器结构和参数学习比较困难的问题,研究了基于粗糙集的贝叶斯网络结构和参数学习算法,提出了基于粗糙集的贝叶斯网络模式识别模型和方法,最后通过仿真实验,验证了论文所提出的方法的可行性和有效性。研究的具体内容包括:(1)为提高属性约简的效率和贝叶斯网络分类器对噪声数据的抗干扰能力,论文在经典Pawlak粗糙集理论、一般关系下的粗糙集模型和变精度粗糙集模型的基础上,提出了广义变精度粗糙集模型;(2)论文从广义变精度粗糙集的定义出发,分别提出了完备信息系统的变精度粗糙集β-约简和不完备信息系统的变精度粗糙集α～β下近似约简的启发式算法,克服了搜索最小约简的NP-hard问题;(3)首先利用约简算法进行属性约简,提取决策规则,降低了贝叶斯网络的计算复杂度;然后根据约简后所得决策规则的置信因子和覆盖因子的信息,对贝叶斯网络的结构进行学习;最后再由贝叶斯网络结构和决策规则中属性变量取值的统计信息,对贝叶斯网络进行了参数学习,从而得到了粗糙集贝叶斯网络;(4)为得到用于分类决策的粗糙集贝叶斯网络分类器(RBAN),论文在粗糙集贝叶斯公式的基础上,提出了基于粗糙集的最小错误率贝叶斯决策准则;(5)利用样本数据进行了实验仿真,并与朴素贝叶斯网络( NB)分类器和贝叶斯增广朴素贝叶斯网络(BAN)分类器进行了综合比较,结果表明不管是完备信息系统,还是不完备信息系统,论文中所建立的RBAN分类器均具有更高的识别准确率,并且识别速度比NB分类器略慢,但比BAN分类器明显加快。