贝叶斯网是表示随机变量间依赖和独立关系的网络模型,由于具有结构清晰、语义明确等特点,故成为处理不确定性知识表示和推理的一种重要理论模型.贝叶斯网在机器学习、设备故障诊断、故障预测等领域有着广泛的应用,并已经取得了较大的成功.但仅由专家知识构建贝叶斯网通常十分困难,有时甚至是不可能的.因此,从数据中快速、准确地学习贝叶斯网结构具有重要的理论意义和应用价值.本文在研究蚁群优化和现有结构学习算法的基础上,提出了两种构造贝叶斯网结构的改进算法,主要工作包括三个部分:首先,针对求解贝叶斯网结构本质图存在的繁琐问题,提出了一种构建贝叶斯网本质图的组合算法.该算法由初始非循环有向图开始,首先对所有有向边进行排序,其次保持V-结构中的边不变,将不参与V-结构的有向边转化为无向边,最后依次根据三条规则判定各条无向边在本质图中的方向.给出了算法的理论证明,通过具体案例分析验证了算法的有效性,从而对在等价类空间上构造贝叶斯网结构具有重要意义.其次,基于互信息和贪婪搜索,提出了改进的贪婪搜索算法I-GREEDY-E.该算法根据互信息构造初始框架,其次利用最大支撑树算法精简初始框架,并通过条件独立性测试添加方向,最后利用贪婪算法得到最优网络结构.数值实验表明,与原始贪婪算法相比,无论是BIC评分值还是结构误差,I-GREEDY-E算法均有明显改善.最后,将互信息理论和蚁群优化结合起来,提出了基于互信息的蚁群算法I-ACO-E.该算法基于互信息知识构造初始无向图,其次通过条件独立性测试对无向边添加方向,最后利用蚁群搜索算法得到最优网络结构.实验结果表明,改进算法具有较强的学习能力,能更有效地处理大规模数据,且与新近的一些方法相比,具有更高的求解质量.