网络技术发展虽然带来了信息共享,但是也带领世界进入了信息爆炸阶段,机器学习主要研究可以从大量数据中生成计算模型的算法,贝叶斯分类器是机器学习方法中的一种,贝叶斯分类器已经在许多领域得到应用。贝叶斯网络结构是贝叶斯分类器的基础,研究表明贝叶斯网络结构学习是NP问题,因此探索有效的结构学习方法是贝叶斯理论研究的热点。本文首先介绍贝叶斯网络的发展历程和主要研究方向。其次介绍与贝叶斯网络相关的概率论知识、贝叶斯网的性质以及结构学习方法的分类。再次介绍元启发式算法发展与应用,详细介绍正弦余弦算法的流程,并进行仿真实验,验证正弦余弦算法的性能。最后提出了基于改进的正弦余弦算法的贝叶斯网络结构学习算法,实验结果表明,本文所提出的结构学习算法是有效的。本文的主要研究工作如下:（1）提出了改进的二进制正弦余弦算法。贝叶斯网络结构是一个有向无环图,本文使用邻接矩阵表示,矩阵中的值采用二进制表示,而正弦余弦算法是用于处理连续值的,本文采用Sigmoid函数完成二进制化。在使用正弦余弦公式之前,对邻接矩阵中的数值进行了对称处理。（2）改进了正弦余弦算法的转换参数与迭代公式。正弦余弦算法包含四个随机参数,本文改进了其中控制算法探索和开发过程的转换参数。转换参数采用非线性函数增强了算法的探索能力,但是也降低了对当前全局最优解附近区域的开发。而对正弦余弦迭代公式的改进,让当前全局最优解具有精英导向作用,加强了对当前全局最优解附近区域的开发,平衡了改进转换参数带来的影响。（3）使用了混沌函数。对转换参数和迭代公式改进后,在某些情况下,算法仍可能过早地陷入局部最优。本文增加了一个额外阶段,在探索阶段算法有几率接受一个非优解,使用Sine混沌函数得到随机分布,探索新的区域,使算法跳出局部最优。（4）引入了K2算法作为局部搜索方法。正弦余弦算法具有很强的探索能力,但局部开发能力相对较弱,本文在已改进的正弦余弦算法进入开发阶段后,额外增加一个阶段,采用K2算法作为局部开发方法,计算网络结构,得到局部最优解。（5）采用了三种算子处理结果。当迭代结束后,采用增加边、删除边、反转边三种操作方式,对得到的全局最优贝叶斯网络结构进行最终处理,得出其中评分最高的网络结构。本文将改进后的算法与改进前的算法进行了对比实验,验证公式改进的作用,并将提出的算法在6个经典的数据集上进行了实验,并与5种经典算法进行比较,实验结果显示大多数情况下本文提出的算法得到的网络结构的BIC评分最高,这表明该算法是有效的贝叶斯网络结构学习算法。同时也指出了该算法仍然存在的问题,明确了未来的研究方向。