贝叶斯网络采用图模型描述变量之间的依赖关系,因其结构清晰,具有突出的决策机制和学习机制,故拥有优秀的推理能力。在医学诊断、图像处理、可靠性分析与风险分析等方面有着广泛应用。在各类研究方法中,遗传算法能够有效地解决复杂的优化问题,以其普适性好、便于并行执行、高效便捷等显著特点,在贝叶斯网络结构的学习研究过程中发挥着非常重要的作用。遗传算法虽然具有较为良好的鲁棒性且对领域知识需求较少,但应用在贝叶斯网络结构学习中仍存在一些弊端。贝网结构空间随变量数呈指数级增加,使得遗传算法搜索空间增大;当种群中个体的多样性受到限制,个体之间适应值度差异不显著,在结构学习中会出现早熟问题。为了提高基于遗传算法的贝叶斯网络结构学习效率和准确性,提出了基于集成的遗传算法联姻策略,能够以较小的时间代价得到较好的结构模型。本文工作如下:（1）基于同代理模型的联姻策略,两个种群使用相同的搜索策略和评估模型完成贝叶斯网络结构学习。对学习到质量最好的子代个体进行联姻,将得到的质量最佳的子代个体共同返回两个种群中进行迭代。由于联姻的子代保留了另一个种群的片段,对种群中基因的多样性起到了很好的保障,有效规避了近亲繁殖造成的缺陷。基于Chain-GA算法的联姻策略,因将链模型作为评估方法,学习网络结构的速度有一定程度提升,但是学习到的结构质量不可靠;基于Tree-ACO算法的联姻策略,算法准确率得到大幅提升,但学习的效率无法得到保障。（2）针对同代理模型的联姻策略无法同时兼顾网络结构质量及学习效率的问题,对联姻策略做出改进,提出了基于集成的遗传算法联姻策略。两个种群分别使用Chain-GA算法与Tree-ACO算法进行学习,对各自学习得到的当代最优个体进行联姻迭代。二者结合后,在学习过程中保证了种群多样性和学习效率。分别在大、中、小不同规模的数据集Asia、Child、Alarm网络上进行实验,经过对比,本文方法能够在相对较短的时间内学习到更准确的网络结构。