贝叶斯网络(Bayesian Network,BN)是一种把概率统计和图论相结合并可应用于复杂领域,进行不确定性知识推理和数据分析的图概率模型。近年来,贝叶斯网络学习及其应用在人工智能、生物信息、金融、医疗诊断与预测等多个领域都取得了一定的成果,并涌现出很多经典高效的学习算法,其中如何从给定的数据集中高效地学习出较优的贝叶斯网络结构受到了很多学者的关注。本文在贝叶斯网络理论的基础上,深入研究了贝叶斯网络结构学习。全文的主要内容如下：(1)贝叶斯网络理论概述。全面介绍了贝叶斯网络的研究背景及意义、研究现状；阐述了贝叶斯网络的基本原理,包括贝叶斯网络结构学习、参数学习和推理。(2)详细介绍了最大信息系数和人工蜂群算法的基本理论和定义,提出了一种基于最大信息系数和人工蜂群的贝叶斯网络结构学习算法(MIC_ABC),该算法首先通过最大信息系数知识挖掘出各属性之间的依赖关系,并利用这种依赖关系和条件独立性检测初始化贝叶斯网络结构,从而有效降低模型的搜索空间,接着结合人工蜂群算法思想和贝叶斯评分准则,对初始化贝叶斯网络结构进行迭代优化从而学习更优的贝叶斯网络结构。仿真试验结果表明：与传统的K2、GS、HC算法相比,MIC-ABC算法能更好的拟合数据,获得更接近真实的贝叶斯网络结构和较高分类的准确率。(3)详细介绍了精确推理算法中的联合树推理算法,在前述的贝叶网络结构学习的基础上,结合最大似然估计法和联合树算法对贝叶斯网络进行参数学习和网络推理。(4)我国人口老龄化已进入快速发展期。老年重症患者在重症患者中的数量和耗费资源的占用比迅速增大,但救治效果却未能达到资源耗费所应产生的平均水平。因此,研究老年人在重症监护中心(ICU)救治的获益可能性,不但对其预后判断,而且对于筛查其入住ICU的必要性和合理分配救治资源均有重要意义。本文结合前述的贝叶斯网络学习方法,利用广州某医院MICU科室提供的真实临床数据集,构造了基于贝叶斯网络的老年重症患者的预后评估系统。