近三十年来,随着人工智能的发展,用于解决不确定问题的贝叶斯网络逐渐引起人们的研究兴趣.但在实际问题中,由于受到许多客观条件的限制,我们能够获得的数据集非常有限,因此,基于小样本数据学习贝叶斯网络结构具有重要的现实意义和研究价值.本文提出了两种不同的贝叶斯网络结构学习算法,分别为基于小样本数据学习贝叶斯网络结构和基于改进的鱼群算法学习贝叶斯网络结构.论文提出了基于小样本数据学习贝叶斯网络结构的一种新混合算法—MM&EOS算法,该算法通过三个阶段完成学习任务.第一阶段,利用MMCMI(最大最小条件互信息)算法获得一个无向图,同时,引入松弛因子,有效地减少了条件集的个数;第二阶段,通过EOS(有效定向搜索)算法对第一阶段获得的无向图定向,并在BIC评分函数中加入节点之间的相互依赖信息,更新后的评分函数有利于充分利用小样本中的信息;第三阶段,利用定向规则最大程度地对所得PDAG定向.在仿真实验中,主要将MM&EOS算法与PC算法进行比较,实验结果表明,MM&EOS算法的学习精度优于PC算法.另外,第一阶段获得无向图的精确程度会对定向过程产生影响,因此,本文将MMCMI算法与MMPC、MI算法进行比较.IAF(改进的人工鱼群)算法将评分函数的性质和鱼群算法相结合学习贝叶斯网络结构.该算法利用评分函数及其性质获得评分最高的网络结构G,找出G中所有的有向圈,利用鱼群算法破圈,搜索最优的贝叶斯网络结构,保证每次迭代都在DAG上进行.由于鱼群算法具有全局优化搜索能力,在Alarm网络上的仿真实验表明,该算法在贝叶斯网络结构学习中具有很强的寻优能力,将IAF算法与MMHC算法相比较,IAF算法学习效果更好.