贝叶斯网络由于具有图形化的模型表示形式、局部及分布式的学习机制、直观的推理;适用于表达和分析不确定性和概率性的事物;能够对不完全、不精确或不确定的知识或信息中做出有效的推理等特性,而成为目前不确定知识表达和推理领域最有效的模型之一。如何通过有效的方法和算法利用现实数据学习贝叶斯网络,并准确地表达蕴含在数据中有价值的信息是目前图形模式与数据挖掘领域中的研究的热点和难点。贝叶斯网络的学习主要包括:结构学习和参数学习,通过网络结构与数据集可以确定参数,因此结构学习是贝叶斯网络学习的核心,有效的结构学习方法和算法是构建最优网络结构的基础。本文在对贝叶斯网络的起源与发展;贝叶斯网络特点及在分类预测、不确定性推理、因果分析等方面的应用情况进行介绍的基础上,着重对贝叶斯网络的学习理论进行了研究,阐述了贝叶斯网络学习的主要内容,同时研究了贝叶斯网络的结构学习机制。给出了一种基于预测能力的离散贝叶斯网络结构学习的新方法,由于预测能力就是预测正确率,预测能力相同是条件独立性的充分必要,这样通过预测能力的引入把变量之间弧的存在性与方向有机地结合在一起。该方法有如下特点:学习效率及准确程度较高;学习得到的结构倾向于简单化,能够避免对数据的过度拟合;能够处理不完整数据,不需要对变量进行排序,并且具有抗噪声数据功能。在理论上,贝叶斯网络分类器与联合分类器具有相同的分类能力,由于具有概率推断功能,根据条件独立性能够有效地降低维度,显著提高分类的效率,而实现贝叶斯网络分类器的核心是贝叶斯网络结构学习,有效的贝叶斯网络结构学习机制是建立贝叶斯网络分类器的基础。在基于预测能力的离散贝叶斯网络结构学习方法的基础上给出了一种基于预测能力的贝叶斯网络分类器学习模型。数据实验表明,使用该方法建立的贝叶斯网络分类模型具有较强的分类能力,是一种有效实用的贝叶斯网络分类器的学习方法。