贝叶斯网络(Bayesian Networks, BNs)用图形化的模型来表示变量间的概率分布,具有清晰的网络结构、灵活的推理能力、方便的决策机制以及有效的学习机制,已成为人工智能系统中不确定知识表达和数据分析、推理的有效工具。贝叶斯网络的学习包括结构学习和参数学习。参数学习在给定网络结构和数据下可以较为简单得到,而结构学习是一个NP难问题,因此寻求有效的结构学习方法和算法对于构建贝叶斯网络结构具有重要的意义。本文对贝叶斯网络结构性学习做了深入研究,在传统遗传算法的基础上,引入云模型自适应器、免疫原理、联姻策略等,针对贝叶斯网络结构特点,将改进的云自适应遗传算法用于贝叶斯网络结构学习,主要工作如下：首先,介绍贝叶斯网络的基本理论,对贝叶斯网络的理论框架展开综述。其次,详细介绍云模型的基本理论,结合云模型随机性和稳定倾向性的特点,重点研究基于云模型的云遗传算法,以及对云遗传算法中自适应调整交叉率和变异率的策略。然后,针对贝叶斯网络结构特点,对云自适应遗传算法的基本操作做出改进,引入多种群联姻并行进化策略,提高算法整体性能,加快算法全局寻优；同时结合免疫算子,对种群个体注射免疫疫苗,避免种群退化。最后,通过两个实验证明本文算法可以很好的用于贝叶斯网络的结构学习,并且具有较高的学习效率。