对贝叶斯网络进行学习是一个NP难问题。当数据集比较大时,贝叶斯网络的节点数和边数会变得错种复杂,紧紧依靠专家去构建贝叶斯网络将十分消耗人力,并且会遗漏一些关键的关系。因此,通过使用有效的算法在数据集上进行结构学习是当前研究的主要方向。贝叶斯网络学习主要分为结构学习和参数学习两部分,而参数学习往往要求网络的结构事先确定,因此结构学习是贝叶斯网络研究的核心。在贝叶斯网络结构学习中经典的算法有K2算法,爬山算法,粒子群算法,MWST算法,但这些算法在某些应用方面有着明显的不足。杂交水稻算法是近年来新提出的一种仿生优化算法,杂交水稻算法拥有良好的收敛性,鲁棒性,且不易陷入局部最优解。因此本文将杂交水稻算法用于贝叶斯网络结构学习。(1)介绍了贝叶斯网络的起源与发展,研究现状,及贝叶斯网络目前的应用。并详细介绍了贝叶斯网络的基本理论知识,在此基础上重点介绍了几种用于贝叶斯网络结构学习的评分方法和搜索算法。(2)介绍了杂交水稻算法的基本原理,并在此基础上根据贝叶斯网络的存储方式提出了一种基于离散二进制的杂交水稻算法。改进算法首先更具遗传算法的多点交叉算子和连续数据集上杂交水稻算法的杂交算子提出一种离散二进制的杂交算子;然后将粒子群算法的减法算子应用于恢复系水稻和最优水稻的自交过程;最后更具贝叶斯网络的结构特点改进了重置算子的重置策略。(3)本文采用最大权重生成树算法MWST算法生成最大权重树,并在此树的基础上通过加边减边删边生成杂交水稻算法的初始种群。然后使用杂交水稻算法对初始种群进行学习,并将结果与K2+MWST算法,贪婪算法进行比较证明本算法的有效性,与遗传算法和粒子群算法进行比较证明本文算法的高收敏性和鲁棒性。(4)对本文研究进行总结并根据本文研究中遇到问题,指出了缺失数据集的学习算法,如何在非法结构图中获取评分较高的贝叶斯网络等有待进一步研究的方向。