贝叶斯网络是概率图模型(Probabilistic Graphical Models,PGM)的一种,它以贝叶斯公式为基础,以此为基础的贝叶斯网络分类器目前在多个领域获得了广泛的应用。传统的贝叶斯网络分类器诸如朴素贝叶斯网络分类器存在着以下缺点:第一,没有充分考虑属性之间的相关性;第二,模型单一固定,无法很好地表达数据。为了解决这些不足之处,本文采用演化算法对贝叶斯网络分类器做进一步的优化,论文的主要工作如下:(1)提出了基于遗传优化的自适应的贝叶斯网络分类模型(Gentic Optimization BayesianNetworkClassifier,GO-BNC),克服了传统模型网络结构固定的缺点,自适应表示在构建贝叶斯网络分类器的同时,网络的结构能够逐渐地被优化。遗传算法在此处被引入,用于实现自适应,在每次迭代的过程中,动态地去改变网络的结构以达到更好适应数据的目的。在一些国际标准数据集上,提出的模型相比较于其他经典分类模型,有着更好的分类性能。(2)提出了基于多目标优化的贝叶斯网络分类模型(Multiple Object Optimization BayesianNetworkClassifier,MOO-BNC),在GO-BNC的基础上,同时优化分类器的性能和网络结构的复杂度。在保证分类器性能牺牲较小的前提下,解决模型复杂度因网络结点个数增加而上涨的缺点。带精英策略的非支配排序遗传算法(NSGA-Ⅱ)在此处被引入,用于实现多目标优化。在一些国际标准数据集上,提出的模型相比较于GO-BNC,在分类性能较好的情况下,模型的复杂度有所降低。(3)构造了基于多目标优化贝叶斯网络分类模型的人脸识别系统。首先,采集人脸数据,并将其保存在本地数据库中;其次,利用直方图均衡的方法数据进行预处理,利用主成分分析的方法(PCA)对处理好的数据进行降维、关键特征提取;最后,利用提出的模型对目标对象进行识别分类。