贝叶斯网络是表示随机变量间依赖和独立关系的网络模型,也称为贝叶斯网、因果概率网络或信念网络.它将概率理论和图论相结合,为发现数据间的潜在关系提供了一种自然而直观的方法.贝叶斯网络以其独特的不确定性知识表达形式、丰富的概率表达能力、综合先验知识的学习特性已成为机器学习、人工智能、统计推理等应用学科的研究热点.目前从数据集中自动构建贝叶斯网络的结构学习算法已经成为研究的热点之一.首先,文章介绍了贝叶斯网络的研究背景及基础理论,研究了贪婪搜索在结构学习中的应用,在此理论基础上,针对贪婪搜索的缺点,提出了一种基于邻接矩阵的构建本质图的改进算法和一种由数据集构建贝叶斯网络结构的新算法.为讨论混合算法奠定了基础.其次,分析了免疫算法的优缺点,并在改进免疫算法的基础上,结合贪婪算法的优点提出了一种贝叶斯网络结构学习的混合算法.主要讨论了初始框架和适应度函数的选择以及条件独立测试的简化,以此来优化混合算法.数值实验表明该算法能建立更优的网络结构,实现由数据集自动构建贝叶斯网络结构的学习目标.最后,对全文进行了总结,指出了缺失数据时的学习算法、动态贝叶斯网络结构学习、智能算法在贝叶斯网络中的应用及贝叶斯网络在生物工程中的应用等有待进一步研究的方向.