从观测数据中推断出变量之间的因果关系是当今数据科学研究的热点。随着科学技术的不断进步,金融经济、社交网络、智慧医疗、大数据智慧城市等领域通过互联网交互产生了海量而复杂的数据。如何从这些观测数据中有效地挖掘出有价值的信息,探索数据中潜在的因果机制在科学研究的可解释性和辅助决策等方面都起着重要作用,它促进了很多科学领域的研究进展,如生物医学、社交网络、金融领域等。近年来,出现了很多从观测数据进行因果结构学习的工作,如基于条件独立性检验约束的方法在因果忠诚性等假设下,从一个完全无向独立图出发,通过遍历搜索条件候选集来进行条件独立性检验进行删边操作,然后利用V结构和一些定向规则来确定其余无向边的因果方向,最终得到一个因果结构图。然而,大部分这类方法在高维可观测数据中会存在两个方面的问题:1)只适用于样本量足够大的情况,在高维数据中的因果结构学习计算效率和准确率都比较低;2)它们无法完全区分马尔可夫等价类,即存在部分因果边无法识别。为了降低高维数据下因果结构学习的难度,提高因果关系识别的准确率,本课题以非线性非高斯数据为研究对象,提出了一种基于递归分治的因果关系发现算法（causal decomposition reconstruction,CADR）,有效地解决了高维小样本的因果结构学习问题,提高了因果关系学习算法的运行效率和因果结构的准确率。具体来说,本研究的工作内容如下:（1）在高维数据的因果结构学习效率方面,根据递归分治的中心思想,把高维数据集递归分解为多个更小的子集,直到无法再分解或子集的大小达到阈值为止。在这一过程中,算法通过减小变量集空间,即缩减条件独立检验中条件候选集的搜索空间,减少条件独立检验的次数,进而提高效率,并在较低维的条件候选集中得到更精确的因果结构骨架。同时,在非线性数据下,为了更快更好地学习到因果骨架,CADR算法引入了随机傅里叶特征近似核条件独立性检验方法。（2）为了解决传统基于约束的方法无法识别马尔可夫等价类问题,在非线性非高斯的数据假设下,基于非线性非高斯模型的因果方向不可逆性和可识别性,在不可分解的子集中有效地识别出马尔可夫等价类的因果方向。仿真数据和真实因果结构数据的实验表明,CADR算法不仅能在高维数据上提高因果结构学习的效率,而且能有效地区分马尔可夫等价类,识别出因果方向,学习得到的因果结构准确可靠。