长期以来,贝叶斯网络（Bayesian Network,BN）是一种被用于在不确定性条件下进行知识表示与推理的流行媒介。贝叶斯网络分类器（Bayesian Network Classifier,BNC）是BN的一种特殊形式,它主要用于解决机器学习领域中的分类问题。在众多BNC中,平均的一阶依赖估计器（Averaged One-dependence Estimators,AODE）不需要进行参数调整或结构学习,其时间复杂度与训练数据的样本容量呈线性相关。与其他经典的BNC有所不同,AODE使用集成学习策略构建了一组网络拓扑结构相对固定的超父结点一阶依赖估计器（Superparent One-dependence Estimator,SPODE）作为其子模型,并将这些子模型的联合概率计算结果进行算术平均,进而基于最大后验概率估计的方法实现对任意一个无类变量的测试样本的预测。集成学习策略与相对固定的网络拓扑结构使得AODE在均衡了偏差与方差表现的同时展现出了卓越的分类性能,因而它在过去很长的一段时间内极大地吸引了众多研究者们的注意力。然而,AODE在对SPODE进行集成学习时所使用的基于属性值频率的模型筛选法已被证明是有一定局限性的,该方法可能对分类器的泛化性能产生负面影响,并使模型在对后验概率分布进行估计时产生偏差。为了解决这一问题,研究者们提出了许多对AODE的改进策略,这其中主要包括有模型加权、模型选择和懒惰式学习三类。相较于其他改进策略而言,使用模型加权策略的改进AODE既可以保留高分类精度、低方差的优点,同时无需进行复杂的结构学习,从而避免了该学习过程所带来的高额时间开销问题,因此本文研究的主要重点为基于模型加权策略的集成模型改进算法。根据对权重系数的学习策略不同,现有的关于模型加权策略研究中所使用的加权方法可以分为基于监督学习思想的监督加权（Supervised Weighting,SW）与基于无监督学习思想的无监督加权（Unsupervised Weighting,UW）两类。前者可能导致生成的模型对训练数据过拟合而对测试数据欠拟合,后者则可能会出现与前者恰好相反的现象,这两种现象均会影响分类器的泛化能力。过去关于模型加权策略的研究,基本是以单独表现SW或UW的有效性为主,关于这两类策略的互通性却几乎没有被提及。本文在受到半监督学习的启发下提出了半监督加权（Semi-supervised Weighting,SSW）的框架来研究当SW与UW联合起来使用时对AODE改进的有效性。在SSW框架中,模型在训练阶段从带类变量的训练数据中学习类变量与SPODE超父结点属性之间的互信息作为SPODE的权重系数以生成监督加权AODE（Supervised Weighted AODE,SWAODE）模型;模型在分类阶段从每个无类变量的测试样本中学习类变量与SPODE超父结点属性值之间的局部互信息作为权重系数以衡量测试样本中属性值之间的相互关系,并生成无监督加权AODE（Unsupervised Weighted AODE,UWAODE）模型。对数似然函数可以用于衡量BNC对数据拟合效果的优劣,因此在SWAODE与UWAODE的集成阶段本文引入了对数似然函数对这两种加权AODE在拟合数据方面的表现进行整体评估,并使用了基于该函数值的线性加权法对SWAODE与UWAODE的联合概率分布求期望值,最终生成了半监督加权AODE（Semi-supervised Weighted AODE,SSWAODE）模型。来自UCI数据库的38个数据集的实验结果表明,SSWAODE与包括NB、TAN、WATAN、CFWNB、AODE、WAODE-MI、AVWAODE-KL等算法在内的其他先进的BNC相比,在分类精度、偏差与方差、ROC曲线下面积等评价体系下均有着较强的竞争力。