贝叶斯网络(Bsyesian network)是描述随机变量间的依赖关系的图形模式,已被普遍应用于不确定性问题的智能化求解.贝叶斯网络学习又分为结构学习和参数学习,本文主要研究贝叶斯网络的结构学习.贝叶斯网络是对变量之间的关系进行描述,这种固有属性保证了结构学习的可操作性,也为结构学习提供了基本方法和思路.贝叶斯网络结构学习的目的是寻求一种最符合变量间关系的网络结构来建立数据之间的关系.粗糙集中的属性依赖度很好的表达了两个变量之间的依赖关系,因此本文提出了利用属性依赖度来建立贝叶斯网的方法.将该方法与一些现有的建立贝叶斯网络的方法相比较,结果证明该方法有效且准确.对于属性个数比较多的复杂网络,将复杂网络分解成若干个小网络分别进行研究是一种有效的方法,分解的前提是不破坏原来的知识结构中隐含的信息.本文在研究了联合树和贝叶斯网络道德图的相关知识的基础上,提出了一种将复杂贝叶斯网络分解成若干个小网络的方法.此方法可以使分解时相关知识信息不流失,同时也不引入多余的知识.用该方法分解得到的若干个简单网络和原复杂网络中的依赖关系一致,而且分解过程中也没有出现新产生的依赖关系.所以,该分解方法是有效的.首先,论文介绍了贝叶斯网络的相关背景和研究意义,简述贝叶斯网络的研究现状,以及贝叶斯网络的基本知识.然后,详细介绍了几种贝叶斯网络结构构造方法,研究了属性依赖度的性质,在此基础上提出了一种新的贝叶斯网络构造方法.最后,研究了贝叶斯网络的分解的意义,提出了一种分解贝叶斯网络的方法,探讨了分解后的网络与原网络的关系,为贝叶斯网络的分解提供思路和方法.