本文研究内容分为三部分,第一部分是贝叶斯网络参数学习,第二部分是贝叶斯网络结构学习,第三部分是列联表的风险比的检验。包括：(1)讨论三个非线性结构的贝叶斯网络中缺失数据问题,针对三个模型分别用EM算法和识别估计算法对缺失数据进行估计,然后用R软件产生随机数对两种算法的效果进行对比,并计算三个模型的平均因果效应。(2)MMPC算法是运用d-分离的方法计算每个节点的父子集合,根据父子集可以判断贝叶斯网络结构骨架；HC算法是一种典型的优化算法,通过计算得分,找出得分最高的结构即最优结构；然后介绍了MMHC算法,MMHC算法是一种混合型算法,是一种通过局部学习、约束、打分等多种方法迅速确定网络结构的一种算法,给出了MMHC在R中的函数及其程序,最后用随机数验证MMHC算法的效果。(3)由于通过列联表可以判断潜在因子与患病之间的关系,列联表研究是医学研究中的一项重要内容。判断潜在因子与患病关系可以通过优势比、风险比和风险差来检验,其中优势比已经被很多学者讨论,本文主要讨论风险比情况,并用MH方法讨论在2*k列联表及n*2*2列联表中风险比的一致性、异质性及趋势变化。