贝叶斯网是一种代表性的基于概率的智能信息处理模型,它能够揭示变量间的因果关系,具有一定的可解释性。当前针对包含较少变量的贝叶斯网的结构学习方法的研究已经较为成熟,但将这些方法应用于包含成百上千个变量的大型网络的结构学习时,往往无法在短时间内给出结果。另外,现实世界中的数据集往往不是完备的,部分变量由于各种原因无法取得观测值,利用已经学习出的网络对存在缺失值的变量进行推理也是一项常见的任务,因此在结构学习过程中限制网络的推理复杂度也是至关重要的。围绕大型网络的结构学习和在结构学习过程中限制推理复杂度以提升推理效率的主题,本文主要进行了以下工作:（1）提出了一种结合父集识别和变量序的贝叶斯网结构学习方法。利用父集识别算法得出的变量间的依赖关系作为启发式信息,为存在强依赖关系的变量在无向图中首先确立关系,并将无向图有向化得到的变量拓扑排序序列作为OBS（ordering-based search）算法的输入,后续利用OBS的局部搜索算子继续优化变量序,并学习出与该变量序相一致的贝叶斯网结构。该算法是一种随时停止算法,可以在预先设定的时间内学习出当前评分最高的网络结构。本文在包含不同变量数的贝叶斯网上对该算法进行了实验,实验结果显示新算法相对于传统OBS算法在大部分中大型网络上能够更快地学习出评分更高的结构。另外,本文还进行了对不同最大入度约束下学习出的网络执行推理任务的实验,结果显示入度越大的网络推理精度相对较高,但同时所需的推理时间也更多。（2）提出了一种改进的限树宽贝叶斯网结构学习方法。在结构学习方法的结构优化步骤中,每一次为当前变量选择父变量集时除了考虑父集的评分之外,更新k-tree时考虑选择包含了选定父集且团中变量维度乘积最小的k-clique,有利于后序变量能够选择到维度乘积较小的父集,从而减少推理时独立参数的个数,提升推理效率。本文将新算法学习出的贝叶斯网结构在不同缺失率水平的数据集上执行推理任务,实验结果显示与改进前的算法相比,本文的算法在不降低推理精度的情况下,将推理时间缩短了约10%,一定程度上提升了推理效率。