贝叶斯网络是一种图形化地表示一组变量间的联合概率分布函数的模型，在不确定性应用和数据分析方面具有优越的性能．本文在对贝叶斯网络相关理论及智能优化算法深入研究的基础上，将最大主子图分解技术和遗传算法相结合，提出一种基于混合方式的结构学习算法；并针对迭代信度传播算法对边的操作方法进行分析，给出一种新的启发算法．论文引入分解的思想，结合智能优化算法，提出一种新的结构学习算法．该算法利用分解不会破坏随机变量的统计信息的特点，通过对网络结构进行最大主子图分解，从而将结构学习问题转变为学习子图的问题，并应用遗传算法学习子结构．实验结果表明，与遗传算法直接学习网络结构相比，该算法具有更好地学习能力和搜索效果．近似推理中的迭代信度传播算法在简化的理想情形中能够保证删除边的精确性，因此可将该算法看成是在近似网络上进行的精确推理．本文详细探讨了信度传播算法中的删除边及恢复边的理论知识，在此基础上，通过对或然率进行修正，提出新的恢复边启发法，实验证明此启发法能够取得更好地近似，以更低的成本提高目标节点的边缘分布．