贝叶斯网络（Bayesian Network,BN）是概率论与图论相结合的产物,它是一个解决不确定性人工智能问题的有效工具。学习BN的结构需要从数据中确定BN的节点之间的依赖关系。这是一个非常重要的挑战,并且在过去的几十年里已经得到了广泛的研究。然而,从数据中学习最优的BN的结构已经被证明是一个NP难问题。独立性假设是解决这一问题的最直接和有效方法之一,它可以极大地简化BN的结构,并且能够改善条件概率的估计。贝叶斯网络分类器（Bayesian Network Classifier,BNC）是为分类问题而设计的特殊类型的BN。朴素贝叶斯（Naive Bayes,NB）是最简单的BNC,它假设在给定类变量的条件下,所有的属性之间都是相互独立的。然而,在现实中,许多学习任务中的属性是相互关联的。因此,NB的独立性假设可能会影响其分类性能。结构扩展是最直接并且十分有效的一种能够放宽NB的独立性假设方法,因为属性之间的依赖关系可以明确地由结构中的有向边来进行表示。在基于结构扩展方法放宽NB独立性假设的BNC中,6)阶依赖贝叶斯分类器（6）-dependence Bayesian Classifiers,KDB)由于能够表示属性之间的6)阶依赖关系而受到了研究人员的广泛关注。KDB通过使用信息论测度,例如条件互信息去构建它的网络拓扑结构,并且使用参数6)去控制偏差和方差的平衡。然而,在构建网络结构的过程中,KDB忽略了一些不重要的依赖关系,并且引入了隐式独立性假设。未经验证的独立性假设可能会导致次优的网络拓扑结构和有偏差的条件概率估计。因此,本文主要对学习属性之间依赖关系的同时验证网络拓扑结构中的独立性假设的合理性进行了研究。为了解决这一问题,本文提出的6)阶独立贝叶斯分类器（6）-independence Bayesian Classifier,KIBC)算法推广了条件互信息的定义去学习以类变量或预测属性为条件的依赖关系。除此之外,从训练数据中学习的网络拓扑结构不能够精准地表示不同测试实例中隐含的依赖关系。因此,为了能够充分地利用不同测试实例中的信息,KIBC使用局部互信息和局部条件互信息去为每一个测试实例学习一个对应的局部模型。两种不同的网络结构所表示的依赖关系将分别更适合于拟合有标签和无标签数据。最后,KIBC使用集成学习策略,将从训练数据中学习的模型和从测试实例中学习的模型结合起来去完成分类。为了评估本文提出的KIBC算法的有效性,本文实验部分分别在0-1损失、RMSE、偏差和方差方面对比了KIBC与其它算法在40个数据集上的表现。此外,Friedman检验和Nemenyi检验被用来对实验结果进行分析。实验结果显示,与先进的单模型BNC（例如,SKDB和CFWNB）和集成BNC（例如,WATAN、IWAODE、WAODE-MI、TAODE和DWAODE）相比,KIBC展现出了显著的优势。