贝叶斯网络（Bayesian Network,BN）是用图形化的方式来表示变量之间的概率不确定性,是处理不确定性问题的一种重要模型。贝叶斯网络广泛应用于财务分析、医疗诊断、机器学习等领域,并取得了巨大的成功。朴素贝叶斯网络作为一种有约束性的贝叶斯网络,其具有结构简单,运行效率高等特点,在风险分析和分类等领域有着较广泛的应用,由于其强烈的条件独立性假设在现实世界中很难实现。因此,如何对条件独立性假设进行改进,从数据中快速、准确的学习贝叶斯网络参数,并将模型应用到实际中,越来越受到广大学者的关注。本论文在研究国内外算法的基础上,针对朴素贝叶斯网络的相关研究及其在恐怖袭击评估中的应用做了如下工作:（1）针对朴素贝叶斯条件独立性假设问题,根据不同属性对分类的影响力赋予不同权重,使朴素贝叶斯扩展为加权贝叶斯,将衡量因果性的信息流作为权重的计算准则,结合包装法和过滤法,基于遗传算法提出一种改进的加权贝叶斯网络模型（Weighted Bayesian network based on information flow and genetic algorithm,IFG-WBN）。并用肺癌患者术后预期寿命评估仿真实验验证,得到该模型具有较高的有效性和准确性。（2）针对恐怖袭击中影响因素多源、关系复杂和信息不确定的特点,以及基于信息流与遗传算法改进的加权贝叶斯网络的有效性和实用性问题。首先将全球恐怖主义数据库作为原始数据集,对数据进行预处理,再用随机森林筛选指标,以此来确定加权贝叶斯网络节点,其次进行结构的确定和参数的学习,然后基于信息流计算指标权重,再采用遗传算法确定最优权重,用概率对其进行评估,最后通过对比实验来检验IFG-WBN模型在实际应用中的有效性,以更好的支持决策者打击恐怖主义,从而减少恐怖主义袭击带来的影响。实验结果表明,基于信息流和遗传算法改进的加权贝叶斯网络更适于处理复杂相互关系的评估指标,挖掘和定量、直观地表达指标之间的因果关系,基于概率分布进行推理,评估过程更为严密,并且评估结果的准确性达到了98.652%,能够较全面的体现恐怖袭击风险的分级情况。