在过去的数年间，大量的研究集中在基于数据驱动的方式发现因果贝叶斯网络。因果关系揭示了系统要素作用的本质，因果结构学习已成为贝叶斯网络学习中一种重要的结构学习方法。但是从数据中学习全局贝叶斯网络是一个NP难题，并且人们通常仅关心其感兴趣的变量的局部因果结构。因此，学习贝叶斯网络中关于目标变量的局部因果结构成为该领域的一个重要研究内容。局部因果结构学习方法可以应用于发现经济领域的因果知识。发现目标变量的局部因果结构是一个充满挑战性的问题，同时也具有重要的科学意义和较高的应用价值。论文中，将针对目标变量局部因果结构学习展开一系列的探讨。局部因果结构学习主要包括两个方面：一是，从数据中获取关于目标变量的局部模型；二是，发现局部模型中变量间的因果关系。针对这两个方面的研究内容，本文所开展的研究工作具体如下：第一，为了能够有效的学习网络中目标变量的局部因果结构，提出了基于扰动学习的局部因果结构学习方法（I-LCSL方法）。首先，利用马尔可夫毯的结构划分能力从观测数据中获取目标变量的局部模型。其次，利用扰动学习的因果发现能力，从局部模型中随机选择一个扰动变量进行扰动，进而获取一组扰动数据。最后，联合观测数据和扰动数据，利用动态规划算法学习关于变量的局部因果结构。利用边的错误率对I-LCSL方法学习到的局部因果结构进行评估。第二，针对现有方法都难以确定扰动节点的缺点，提出一种基于因果强度的局部因果结构主动学习方法（CSI-LCSL方法）。首先，寻找目标节点的马尔可夫毯生成关于目标节点的局部模型；其次，利用不对称信息熵对局部模型中的每一节点进行因果强度分析，选取因果强度值较大的节点进行扰动，生成扰动数据；再次，联合扰动数据和观测数据学习边的后验概率，从而获得一个关于目标节点的局部因果网络。最后，利用结构信息熵对CSI-LCSL方法的学习结果进行评估。通过现实生活中的数据，对本文所提出的方法进行了综合评估。实验表明，本文提出的方法能够有效发现目标变量的局部因果结构，且学习结果优于当前的其它算法。最后，我们使用本文提出的局部因果结构学习方法在金融行业板块数据集上发现房地产行业和煤炭石油行业的局部因果结构。