科学的要义是泛化。我们希望实验室中的实验在其他地方也成立,希望总结的规律在其他场景也能成立。这种对泛化性的追寻正是人们对因果关系的求索。因果关系为我们提供了一种对世界的建模方式,以帮助人们建立更加稳定的不变的预测模型。然而,现有的以深度学习为主的人工智能算法往往聚焦于相关性而非因果性,无法预测诸如干预,反事实等因果效应推断问题。回答因果效应推断问题的关键是建立数据的因果模型。因此,如何在数据中建立因果模型并发现其中因果关系是人工智能的关键。但传统基于随机试验的因果关系发现方法往往受到成本,或道德的约束,已不再适用于当前基于大量观察数据训练的人工智能模型。因此,如何从观测数据中发现因果关系,已成为当前人工智能研究的重要问题。从观察数据发现因果关系的重要方法是因果函数模型（Functional Causal Model,FCM）。得益于其区分马尔科夫等价类的能力,越来越多学者尝试基于因果函数模型来解决因果方向推断与因果网络构建的问题。然而,现有基于因果函数模型的因果方向推断方法在不完全观察数据、离散分类数据、非稳态数据以及高维网络构建中仍存在因果方向可识别性问题。针对以上挑战,本文解决了因果函数模型在不完全观察数据,离散分类数据,以及多领域数据下因果方向推断问题,并推广了因果函数模型使其可用于高维因果网络构建,推动了因果函数模型在开放场景下因果发现能力。本文的主要贡献如下:（1）针对非线性加性噪声模型在不完全观察数据中不具有传递性的挑战,提出了级联加性噪声模型及其含混淆因子的级联加性噪声模型的拓展。模型通过对隐变量建模,结合变分推断的求解框架,实现了在不完全观察数据中的因果方向推断。理论证明了含混淆因子的级联加性噪声模型在已恢复隐变量下的可识别性,指出模型只在严格的条件下,因果方向是不可推断的。生成数据与真实数据均验证了模型的有效性,可有效推断因果方向。（2）针对在多领域场景下的因果方向推断挑战,提出了多领域数据下的因果方向推断算法。算法通过检测因果方向上的因果模块性,即原因分布与条件概率分布（因果机制）变化的独立性,结合多领域数据的特质,将不同领域参数视作计算独立性的样本,实现了多领域数据下的因果方向推断问题。算中,给出了三种不同的衡量原因分布与因果机制依赖性方法,通过比较两个因果方向上的依赖性,并将较为独立的方向推断为因果方向。理论给出了算法不可识别的条件,表明只有在极少情况下模型是不可识别的。生成数据与真实数据中均验证了算法的有效性。（3）针对因果函数模型在离散分类下容易受干扰的挑战,提出了一种基于压缩映射机制的因果模型。模型通过构造确定性压缩与概率性映射两阶段过程,结合基于BIC评分的压缩状态搜索评分,实现了在离散分类数据下的因果方向推断。理论证明了基于压缩映射机制的因果模型在存在压缩状态的场景下往往是可识别的,且理论进一步指出在参数随机化的前提下,模型总是可识别的。生成数据与模型数据中均验证了模型有效性,可找到真实的压缩状态并正确地推断因果方向。（4）针对基于压缩映射机制的因果模型在高维网络构建中的挑战,推广并提出了一种基于压缩映射机制的多变量因果模型。模型通过允许每个直接因果边存在一种压缩映射机制,结合BIC准则推导了因果网络结构评分函数,实现了在分类数据下的因果网络构建。理论证明了基于压缩映射机制的多变量因果模型在多变量下是可识别的。生成数据与真实结构数据中均验证了模型的有效性。（5）针对因果函数模型在高维网络构建中的挑战,提出了基于因果函数似然度嵌入的因果网络构建算法。算法通过将函数因果模型嵌入到似然度中,结合BIC准则推导了因果网络评分,实现了在函数因果模型下的因果网络结构构建。理论证明了最优的因果结构是可识别的。模拟与真实因果结构均验证了算法的正确性。