针对退耕还林工程和城镇化建设双重背景下农民土地利用行为的复杂性及贝叶斯网络在土地利用/覆被变化中的不规范性,提出了规范的贝叶斯网络建模方法。通过Matlab软件的BNT工具箱及Fayyad的MDL离散化算法确定了调研数据离散化的最佳切点并获得三组数据,继而通过12种结构学习算法构建了36种网络。本文主要选取Bayesian评分、LL评分、AIC评分均最高、BIC评分靠前、运行时间可接受、满足现实情况并具有一定推广价值的MWST+T-K2结构学习算法构建的三种网络研究退耕还林中农民的土地利用行为(BF-LUC-BN)。使用CV-5和CV-10方法对三种贝叶斯分类器进行分类检验,得到了BF-LUC-BN的分类准确率、误差棒、分类正确率、召回率及F1-评分等指标。通过这些指标同NBC、TANC及MWST分类器比较发现MWST+T-K2分类器在二分网络上的分类水平最高,但在三分网络和四分网络上的分类水平略低于TANC的分类水平,且数据的分类数目越多准确率越低。使用联合推理改进了二分网络的结构,并得到了三分网络和四分网络的整体推理绝对误差不超过0.015,说明了所建立网络的有效性。同时,推理结果表明退耕补贴应设定在“少量补贴”到“中等补贴”之间为宜。基于经验改进了退耕还林中农民的土地利用行为贝叶斯网络(EI-BF-LUC-BN),并与TANC和MWST+T-K2分类器的分类检验结果进行比较发现EI-BF-LUC-BN只在四分网络中具有优势。同时基于蒙特卡洛算法提出了基于蒙特卡洛算法改进的网络(MI-BF-LUC-BN),探讨了父节点最大上限及生成随机数不同时的网络结构,并研究了网络的稳定性。研究发现MI-BF-LUC-BN能够识别不存在数据的组合。