贝叶斯网络将概率理论和图论相结合,为解决不确定性问题提供了一种自然而直观的方法。本文深入研究了贝叶斯网络的结构学习问题,主要的工作如下:1、研究了三类贝叶斯网络结构学习方法:评分搜索法、基于约束的方法和结合这两种方法的混合方法。详细介绍了一种优秀的贝叶斯网络结构学习算法——MMHC算法。2、提出了高维稀疏大数据集上的贝叶斯网络结构学习方法——FSBN算法。FSBN算法依据频繁项集包含数据集本质信息的特性,先挖掘出数据集上的频繁项集,针对挖掘频繁项集的Apriori算法的不足,提出了Apriori-3K算法。在此基础上,FSBN把Apriori-3K算法应用到贝叶斯网络结构学习中,利用频繁项集限制贝叶斯网络结构搜索空间。实验表明,在高维稀疏大数据集上,FSBN算法提高了构建贝叶斯网络结构的效率。3、提出了基于遗传禁忌算法的贝叶斯网络边定向方法——GATS算法。贝叶斯网络边定向问题是贝叶斯网络结构学习的一个重要方面,通常可以用遗传算法进行解决。但遗传算法存在爬山能力差、早熟问题,GATS算法把禁忌搜索的“多样化”引入到遗传算法的交叉算子和变异算子中,使得算法在贝叶斯网络结构的搜索过程中具有记忆性,既避免了遗传算法的早熟问题,又保留了遗传算法多出发点的优势,实验表明,GATS算法能有效地解决贝叶斯网络边定向问题。