朴素贝叶斯分类器由于结构简单、计算高效而被广泛应用,但是其属性间的条件独立性假设限制了它的应用。隐朴素贝叶斯分类器通过为各个属性节点引入一个表示属性间依赖关系的隐藏父节点降低了独立性假设条件的限制,并获得了相比朴素贝叶斯分类器更好的分类效果。但是,隐朴素贝叶斯分类器缺乏对属性集的选择机制,存在着冗余属性影响分类效果的缺陷。基于此,本文做了如下研究工作:(1)通过对已有3种基于互信息的属性选择方法的对比分析,提出了一种新的属性选择方法:自适应最大相关性的属性选择方法(AMaxMI)。该方法采用等宽度离散化技术离散各个属性的互信息值,然后按照离散化的结果自动选择有效属性用于分类,同时剔除冗余属性。(2)通过归纳总结3种基于互信息的属性选择方法,提出了一种自适应增强类相关性的属性选择方法(AMaxMI/MinR)。该方法通过利用类-属性互信息值除属性间互信息值的结果作为参考指标,然后将参考指标离散化的结果作为自动选择有效属性的依据。(3)将两种自适应属性选择方法与隐朴素贝叶斯分类器相结合,提出了两种改进的隐朴素贝叶斯分类算法:自适应最大相关性属性选择的隐朴素贝叶斯分类算法(AMaxMI-HNBC)、自适应增强类相关性属性选择的隐朴素贝叶斯分类算法(AMaxMI/MinR-HNBC)。并通过仿真实验证明:两种改进的隐朴素贝叶斯分类算法较隐朴素贝叶斯分类算法具有更高的精度和更低的时间复杂性。(4)对回转窑热工数据进行预处理后用上述两种改进算法进行仿真实验,实验结果表明两种方法的性能要优于隐朴素贝叶斯算法的性能。减少了参与分类的属性数目,在提高了 HNBC算法的分类精度的同时,大大降低了计算时间。