结构学习、参数学习和推理是贝叶斯网络的三个主要研究内容,网络结构模型可以通过学习观察数据而得到,参数可以由网络结构和数据确定.显然,如何确定贝叶斯网络的结构是学习贝叶斯网络的焦点.探索有效的学习结构的算法是搭建网络结构的重要环节.本文主要阐述了国内外贝叶斯网络结构研究领域的现状,着重介绍了贝叶斯网络的结构学习算法,分析了各类算法的优点和不足,重点研究了基于约束的贝叶斯网络结构的学习算法.针对当前算法所面临的较高的时间复杂度及算法学习过程中会出现的定向矛盾两大问题进行了深刻的探讨,本文的主要贡献如下:(1)基于约束的结构学习算法依赖于大量的条件独立检验,因此,如何降低条件独立检验次数是基于约束的结构学习算法的研究目标之一.本文提出了一个有效的学习贝叶斯网络结构模型的算法.首先,通过条件独立检验学习贝叶斯网络框架,与已有的同类型算法相比,降低了条件独立检验的次数,加快了算法的执行速度;然后,依据框架发现过程中检验的条件独立关系及分割集确定V结构,据此确定了部分边的方向.实验表明,与经典的PC算法相比,新算法降低了条件独立检验的次数,学习效率更高;在小样本集的学习结果表明,新算法的学习精度优于TPDA算法.(2)经典的基于约束的贝叶斯网络结构学习算法:首先通过条件独立检验确定框架,然后根据独立关系和分割集确定部分边的方向.理论上,此类学习方式可以得到正确的贝叶斯网络结构模型.然而,由于噪声、条件独立检验的局部性和统计误差等原因,学习过程中会产生定向矛盾.本文根据条件独立检验得出的p值和分割集定量地解决确定方向的过程中所产生的矛盾.理论上分析了该算法的正确性;同时,实验的结果也证实了该算法的正确性.