贝叶斯网络是一种将概率统计与图论相结合的图模型,因在不确定性知识的表达和推理上的重要作用,已被广泛应用于生物信息计算、医疗、信息检索与图像处理,网络安全等领域。其中,贝叶斯网络学习是贝叶斯网络相关研究的重点问题,包括结构学习和参数学习两个部分。由于结构学习是参数学习的基础,研究者更多地对结构学习算法进行考察。最早的结构学习方法是直接由专家凭借领域知识进行构造,但随着节点的增加,变量间关系逐渐复杂,仅依赖专家的领域知识构建贝叶斯网络非常困难,甚至是不可能的。因此,从数据中学习出贝叶斯网络结构已经成为该研究领域的重点和难点问题。该问题由于搜索空间过大,已被证明为一个NP难问题。大多数研究者都关注于如何求解出一个近似解,但随着研究的深入,近年来也提出了不少求精确解的算法,这些算法可被用在某些需要精确推理的地方。目前,精确解算法虽能保证求取到最优解,但由于空间和时间的限制,算法可能无法执行到终点。因此研究者提出了一些任意时间算法,这些算法通过将原先单轮执行的算法转变为多轮执行的算法,以达到每轮求得一个更好的解,并在时间、空间允许的情况下一直运行直到找到一个最优解。但多轮执行带来的额外内存开销等问题同样制约了多轮算法的应用。鉴于此,本文分别针对求解近似解算法与求解精确解算法现存的一些问题提出了相应的改进算法。本文主要工作如下:在针对求解近似解算法的改进上,本文在详细介绍了多头绒泡菌数学模型及其在人工智能领域的重要价值之后,提出了基于多头绒泡菌的贝叶斯网络结构学习算法。该算法是一个混合算法,算法首先针对搜索空间过大问题,根据多头绒泡菌具有在网络演化过程中保留重要管道的特性,通过结合多头绒泡菌数学模型和条件互信息理论对原始搜索空间进行了缩减。此后,将求解得到的无向图作为网络的基础骨架,使用基于评分搜索的爬山法对骨架确定方向得到了一个较好的网络结构。最后为了得到一个更好的网络结构,利用对该网络结构进行拓扑排序得到对应的变量顺序作为K2算法的输入以求得最终网络。实验表明提出的算法在运行时间上比起原始爬山法更短且最终网络评分结果与原始爬山法相差不大。在求解精确解算法的改进上,本文首先详细介绍了anytime A*算法求解最优贝叶斯网络算法的思路。在此基础上,针对算法得到的前期解的准确度不够高及生成节点较多的缺点,提出将变量顺序信息加入anytime A*的启发信息中,利用基于多头绒泡菌的构造算法得到的变量顺序,对anytime A*算法在顺序图中的搜索方向做指导。实验表明,该算法能更快地缩小网络结构的评分分数上界,因此更多地减少对评分差的节点的访问和生成,并减少了算法的内存开销。