贝叶斯网络作为一种有效的不确定性推理工具被广泛用于数据挖掘,人工智能领域。但将传统贝叶斯网络应用于高维数据间因果关系推断时会存在如下问题:首先,贝叶斯网络结构学习是一个NP-HARD问题。贝叶斯网络现有的结构学习算法在节点数较少的情况下往往都可以学习出较优的贝叶斯网络结构,但随着网络中的节点增加,网络结构搜索空间呈指数增长;其次网络节点间指向不含因果语义,不能很好的反映节点间因果关系。最后对高维数据的贝叶斯网络构建,传统爬山法会因为贝叶斯网约简与组合过程中丢失潜在的连边而影响网络推理性能。针对这三个问题,本文主要研究内容如下:(1)改进传统的评分函数,在传统爬山法MDL评分的基础上,加入网络节点间的因果关系度量。提出基于因果评分的爬山算法,改进传统的减边和转边算子,每次减边或转边前都对所操作的边进行因果识别,通过减边算子避免误删因果指向正确的连边,通过转边算子修正原网络中父子节点关系倒置的连边指向。使得网络更好的反映数据中蕴含的因果关系,提高网络推理性能。(2)利用分治思想将高维贝叶斯网络的建立分割成多个贝叶斯子网的建立。为减少约简组合时因丢失潜在边对网络推理性能的影响,首先定义了基于因果关系度量的相似度,将因果关系较强的节点划分在同一子网。接着采用基于因果评分的爬山算法建立贝叶斯子网。实验发现,相比于传统爬山法,基于因果评分的爬山算法在网络因果关系度量能力、网络评分及推理性能等方面均有优势。(3)将基于因果评分的爬山算法用于高校投入产出薄弱分析环节,并将建立的贝叶斯网络与传统爬山法构建的贝叶斯网络进行比较,探究约简组合方法对这两种算法的推理性能及网络结构的影响,实验发现,因果评分爬山法不仅在网络评分上优于传统爬山法,而且在保持建网复杂度不变的同时,网络整体的推理性能提升了11.7%。