机器学习是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测的科学。在过去的几十年中,已经提出了诸如贝叶斯网络,神经网络和支持向量机等统计模型,并将其应用于许多现实生活中的应用中,例如医学诊断、搜索引擎和生物识别等等。贝叶斯网络分类器（Bayesian network classifiers,BNC）已在各种实际应用中证明了其具有竞争力的分类性能。具有高表达能力的高度可扩展的BNC逐渐成为机器学习领域中的重要研究方向。贝叶斯网络分类器是在不确定条件下进行知识表示和推理的强大工具,通过学习更合理的网络结构,BNC通常可以实现更高的分类准确性。然而,学习不受限的贝叶斯网络的结构已被证明是NP难的。为了解决这一问题,学者们正在研究受限网络结构的相关知识。在众多受限的BNC中,NB假定所有属性在给定类别标签的条件下都是独立的。即使在大多数数据中属性之间的条件独立性假设是不现实甚至是错误的,NB分类器的性能也令人惊讶地良好。为了弥补NB分类器的某些局限性,Friedman等人引入了在属性之间添加了1阶依赖关系的TAN分类器以放宽NB的的条件独立性假设。KDB更进一步,理论上允许任意阶的特征依赖关系表达,使用单个参数k可以在分类性能和结构复杂性之间取得良好的平衡。为了提高相对于单个模型的预测准确性,集成学习训练多类模型解决相同问题,并将其结合以获得鲁棒性更高的模型。AODE和WATAN方法作为一阶依赖的集成BNC,通过随机化从单个学习算法生成多个全局模型,平均来说可以帮助获得更好的整体准确性。从训练数据中学到的任何模型不一定适合所有测试实例。为了在未标记的测试实例中挖掘隐式依赖关系,以减轻过度拟合导致的分类偏差的负面影响,本文提出了面向贝叶斯网络分类器研究的通用标靶学习（UTL）策略。一方面,该框架将每个未标记的测试实例作为目标并构建了一个“不稳定”的贝叶斯模型BNC_?。为了使BNC_?和从标记的训练数据中得到的BNC_?相互补充并有效地结合使用,本文应用相同的学习策略来构建它们。另一方面,本文基于信息论中的对数似然LL（（?）|T）分析在特定实例中充分挖掘属性值之间的重要依赖关系来帮助优化网络结构。我们引入条件熵作为损失函数,以对数似然来测量BNC中的编码比特。我们以KDB为例,研究UTL对BNC_?和BNC_?的影响。本文将UTL应用于KDB上得到了UKDB模型。基于40个UCI数据集上的实验结果表明,UKDB的分类精度不仅优于单结构BNC（NB、TAN、KDB等）,与集成模型（AODE、WATAN等）相比也有显著优势,有力证明了UTL框架的有效性。