贝叶斯网络作为一种图形化的建模工具,提供了一种表示变量之间因果关系的方法,在不确定推理方面发挥了很大的优势,并广泛运用于专家系统、人工智能、机器学习等领域。结构学习是将有向无环图和概率论有机结合,根据变量的观测数据确定贝叶斯网络中节点间因果关系的一种方法,是贝叶斯网络学习中的重点和难点。随着大数据时代的到来,网络规模越来越庞大,传统结构学习算法在学习效率和学习精度上的问题日益凸显出来。本文从传统的贝叶斯网络结构学习框架入手,将复杂网络中图分块方法加入到结构学习的过程中,改进了结构学习的框架;提出了混沌混合改进粒子群算法,有效解决了传统粒子群算法容易陷入早熟的问题。主要工作有:首先,对迄今贝叶斯网络结构学习方法进行综述。将这些方法分为三类:1、基于统计分析的结构学习方法;2、基于评分搜索的结构学习方法;3、混合贝叶斯网络结构学习方法。在指出现阶段结构学习面临问题的同时,给出其发展方向。然后,改进了贝叶斯网络结构学习框架。对于大型的贝叶斯网络,其结构空间随节点数呈指数倍增长。在此情况下,传统的两阶段框架学习效率明显降低,本文将复杂网络社团挖掘方法中的Newman快速算法引入到贝叶斯网络结构学习中,将第一阶段的相关网络划分为多个子网络分别进行学习,并以此改进了结构学习框架,提高了算法的学习效率。最后,提出了混沌混合改进粒子群算法。粒子群算法因其模型和编码简单,多用于评分搜索过程中,但传统粒子群算法收敛过快容易早熟。本文将粒子群划分为多个子群,把子群最优速度引入到粒子的更新过程中,有效抑制了粒子群进入早熟状态。通过混沌映射的方式对陷入局部最优的粒子进行“突变”,有效防止粒子群陷入局部最优解。实验结果表明,该方法提高了结构学习的准确度。