贝叶斯网络是一个集概率论与图论于一体的理论工具,是人工智能系统构建中不可或缺的一部分,已广泛用于医疗诊断、故障检测、资源管理等领域。然而对于复杂的动态系统,根据领域专家经验知识手工构造贝叶斯网络显然不切实际。从数据中利用机器学习贝叶斯网络结构时,随着变量个数的增加,候选结构模型的搜索空间将会呈现指数倍上涨。启发式搜索的学习算法时解决这个问题的一种潜在手段。但传统基于进化算法的贝叶斯网络结构学习算法存在收敛速度慢、局部搜索能力差以及种群数目难以确定的问题。本文通过对基于传统进化算法的贝叶斯网络结构学习算法的原理和存在的问题进行研究,设计了一种基于进进化算法的贝叶斯网络结构学习算法-MWST-EA。另外将MWST-EA结构学习算法应用于糖尿病分类和TE化工过程故障诊断等,验证了算法的有效性。本文的主要工作如下:（1）针对传统进化算法学习贝叶斯网络结构存在收敛速度慢、局部搜索能力差以及种群数目确定缺乏依据的问题,研究了一种改进进化算法的贝叶斯网络结构学习算法—MWST-EA。该算法利用条件独立性构建初始结构,紧接着设计了个体父节点上限数目函数,减少了搜索的盲目性,缩减了 BN结构的搜索空间,提升了算法的寻优效率和收敛速度。另外引入边频次权重改进了遗传算法的变异函数,可有效地避免算法陷入局部最优解。实验结果表明了本文方法在标准BN模型上的应用优于传统进化算法和最大最小爬山法（Max-Min Hill-Climbing,MMHC）,具有更高的准确性。（2）针对糖尿病数据分类存在的建模难题,本文设计了一种将MWST-EA算法用于糖尿病建模的方法。首先,对Early Stage Diabetes风险预测数据集的样本数据进行了分析和预处理;然后将MWST-EA算法应用于处理后的糖尿病数据上,完成对糖尿病诊断的BN结构模型的建立;最后,采用EM算法来完成BN模型的参数估计,并通过联合树推理算法实现对糖尿病病症的分类诊断。经过与支持向量机（support vector machines,SVM）、朴素贝叶斯（Naive Bayes,NB）、传统进化算法、MMHC算法进行对比实验验证后可得出本文所提MWST-EA算法在糖尿病诊断的应用中具有更高的识别率。（3）针对TE化工过程的故障诊断模型构建困难的问题,本文先利用PCA方法对故障变量进行降维,再结合平方预测误差（Squared prediction error,SPE）和霍特林统计量（Hotelling T2,T2）,设计了一种结合MWST-EA算法的TE故障诊断方法。首先,对TE化工过程数据进行预处理再采用PCA方法进行数据降维;然后,计算TE数据的T2和SPE的贡献率,并据此对TE数据中的变量进行筛选构成基于SPE的最佳子集和基于T2的最佳子集;其次,选用本文所提的MWAT-EA算法来完成贝叶斯网络结构建模,若学习到的BN模型中存在孤立节点,则将皮尔逊系数与专家经验结合为孤立节点确定边;最后,采用EM算法来完成TE化工过程贝叶斯网络模型的参数估计,并通过联合树推理算法实现对TE化工过程的故障诊断。经过实验验证并与SVM、NB方法进行对比,可得出本文所设计的SPE+MWST-EA方法和T2+MWST-EA方法在TE故障诊断过程中具有更高的识别率,尤其是T2+MWST-EA方法具有更优越的识别性能。实验结果表明MWST-EA算法能有效地利用数据进行贝叶斯网络的结构学习任务。