随着大数据时代各领域的观测数据以迅猛的速度不断地积累,如何挖掘隐藏在数据表面下的关系信息得到了越来越多研究者的关注,有效的挖掘因果关系在经济调控、生物医学、社交网络等领域具有巨大的应用价值,因此目前因果关系发现已成为数据科学的研究热点之一,并不断有新的研究工作被提出。近年来深度学习得益于其强大的特征提取能力在图像识别、文本分类等任务中取得了巨大成功,然而目前还鲜少有利用深度学习技术来提升因果关系发现效果的研究工作。在此背景下,本文的主要工作是,基于深度学习对因果关系发现问题进行研究。本文针对目前作为因果关系发现工具的条件独立检验在高阶条件独立判定中精度低下的问题,提出一种基于自注意力机制的条件独立分类网络,该网络通过自注意力组合条件独立特征,并通过最大池化操作来提取最显著特征,以数据驱动的方式学习如何判定条件独立,使得该网络能够在高阶条件独立判定中具有良好的性能,并在大量条件独立判定实验中证实了该方法的有效性;针对目前基于约束方法在高维因果图中学习精度低的问题,本文将条件独立分类网络应用于PC-stable算法中,利用条件独立分类网络的高阶条件独立判定能力提升现有基于约束方法的识别性能,在模拟因果图与真实因果图ECOLI70、MAGIC-IRRI、ARTH150实验中本文的方法相比使用条件独立检验的方法取得了更高、更稳健的识别精度;针对现有因果定向方法泛化性能不足的问题,本文提出一种基于局部特征提取的因果定向网络,该网络通过堆叠局部特征提取模块在因果对观测数据上逐步提取全局特征并使用分类方法来进行因果定向,利用深度学习技术从数据中学习高级的因果定向能力从而提升泛化性能,在模拟因果对实验与真实因果对数据集TCEP中该网络相比传统因果定向方法表现出了更高的定向精度与泛化能力,同时在真实因果图数据集实验中证明该网络可以帮助因果结构学习方法取得更高的结构学习精度。