贝叶斯网络(Bayesian Network)是机器学习研究领域的重要课题之一。贝叶斯网络结构学习是指寻找与训练样本拟合程度最高的网络结构的方法。随着大数据时代的来临,传统结构学习方法面临着巨大挑战。一方面,传统贝叶斯网络结构学习算法的精度已越来越难以满足实用场景的要求;另一方面,传统算法的执行速度十分缓慢。本文针对贝叶斯网络结构学习中如何提高算法结果精度以及如何提高算法执行效率的问题进行了研究。第一,针对传统贝叶斯网络结构学习算法容易陷入局部极大值的缺点,提出了基于拓扑序列的启发式构造(Topology Sequence Heuristic Network Construction)算法。其基本思想是:每个贝叶斯网络都对应一组拓扑序列,通过启发式地构造最优拓扑序列,生成出目标网络。该算法将对网络的搜索转化为对线性序列的搜索,降低了搜索的难度。算法利用残余爬山网络能够快速收敛的特性,用爬山网络的评分值作为构造序列的启发式函数,大幅提高了结果的精确度。实验结果表明,该算法相较于MMHC算法等常用学习算法在结果精度上有较大的提高。第二,提出了分布式贝叶斯网络结构学习算法,该算法是以拓扑序列启发式构造算法为基础的分布式算法。本文提出的多层k-划分树形分布式框架,可以兼顾结果精度与执行效率。该算法将节点集合分割为多个具有公共节点的子集合,之后生成子集合的拓扑序列,再由主节点启发式地对子集合的拓扑序列进行合并,生成目标网络。实验结果表明,该分布式算法相对于单机算法有显著加速效果。