贝叶斯网络是复杂系统建模领域中常用的建模方法之一,在不确定性知识表达和推理方面具有独特优势,已成功应用于人工智能、金融预测等多个领域。贝叶斯网络建模过程包括结构学习和参数学习两个方面,由于贝叶斯网络结构学习的结果直接影响其参数学习,因此,贝叶斯网络结构学习是模型构建的核心问题。本文重点研究了贝叶斯网络结构学习。在基于专家知识的贝叶斯网络结构学习中,为避免单一专家主观性太强,选择以专家群决策的结果构建贝叶斯网络结构,研究了证据理论在专家知识融合中的应用。针对采用证据理论进行专家知识融合过程中可能会出现证据冲突问题,结合模糊信念图的专家知识导出方法,提出了一种基于知识度和相似度融合的证据冲突消除方法,仿真结果表明,改进后的证据理论能够有效融合专家知识,并能够根据要求确定出合理的贝叶斯网络结构。在基于数据的贝叶斯网络结构学习中,重点研究了基于评分搜索的结构学习算法,分析了常用的评分函数并对遗传算法在贝叶斯网络结构学习中的应用进行了算法设计。针对大多数评分函数都难以区分马尔科夫等价类中的贝叶斯网络结构进而导致学习到的结构中存在反转边的问题,提出了一种改进扰动学习的因果网络结构修正策略,仿真验证了该方法的有效性。最后,为了有效融合专家知识和数据,构造了不确定性先验结构信息矩阵,对BIC评分函数进行改进,提出一种不确定性专家知识与数据融合的贝叶斯网络结构学习方法。进而在贝叶斯网络结构研究的基础上,将融合专家知识和数据应用于贝叶斯网络建模中,设计了知识与数据融合的贝叶斯网络建模流程,并应用急性炎症的预测诊断算例进行了模型仿真对比,结果表明知识与数据融合的贝叶斯网络建模方法具有更好的预测效果。