朴素贝叶斯是数据挖掘领域重要的分类算法之一,与其它方法相比,朴素贝叶斯方法具有算法简单、分类效果稳定和速度快等特点。朴素贝叶斯模型一般假设属性之间相互独立,然而这个假设在实际应用中往往是不成立的,这给朴素贝叶斯模型的分类性能带来一定影响。对此,现有大量研究工作试图通过放松属性间的独立性假设来提高朴素贝叶斯分类的性能,主要可以分为结构扩展、局部学习、属性选择和属性加权。本文重点从结构扩展和属性加权两个方面改进朴素贝叶斯分类模型。具体研究工作包括：1)结构扩展方面：采用关联规则中的频繁项集来体现多属性之间的关联性,从而避免了强属性集的选择过程,并构造了一种双层贝叶斯结构；针对基于频繁项集的贝叶斯分类算法(FISC)存在的概率估计方式粗糙和分类器集成过于简单的缺点,分别提出了基于M-估计的贝叶斯分类算法(FISC-M)和加权集成的贝叶斯分类算法(WFISC);为解决FISC时间开销较大的问题,提出了项集长度约束条件,在保证分类精度的前提下缩短了算法的运行时间,进一步提升了FISC-M和WFISC的性能。实验结果表明,FISC-M与WFISC的性能大大超越了原始的FISC,并且优于目前性能较优的一些贝叶斯分类算法。2)属性加权方面：将变精度粗糙集理论应用到贝叶斯分类算法中,提出了一种基于变精度粗糙集的属性加权朴素贝叶斯分类算法(AWNB-VPRS)。该算法采用变精度粗糙集方法来确定属性的重要程度,综合考虑了属性的加权近似精度和属性的信息增益。实验结果表明AWNB-VPRS模型在许多领域比基于传统粗糙集的贝叶斯分类模型更有效。3)实际应用方面：将所提算法应用于冠心病中医诊疗临床规律的分析挖掘中,建立了冠心病中医辨证诊断模型,在一定程度上进一步验证了算法的有效性。