对贝叶斯网络合并算法的研究已经进行了很多年。本文提出了一种全新的贝叶斯网络合并算法。我们研究了概率的性质和条件概率表的特性，并提出了一种新颖的贝叶斯网络合并算法。基于条件独立性，贝叶斯网络中的条件概率表就可以扩展，从而使得不同的贝叶斯网络中对应的条件概率表可以扩展成相同的形式。于是，概率聚合函数便可以直接应用到聚合对应的条件概率表中对应位置的概率，而且这个过程的时间复杂度和空间复杂度非常小。其次，针对条件概率表，提出了全新的变量之间的独立性的判别方法，它仅仅通过计算一次条件概率变化的平均方差来判断条件概率表中的变量是否相互独立。在合并贝叶斯网络合并之前，由于条件概率表的扩展使得贝叶斯网络中的某些节点可能具有伪父节点，利用这种方法可以确定伪父节点，删除伪边并化简条件概率表。接着，我们提出了一个新的概率聚合函数并用于聚合对应的条件概率表中对应的位置上的条件概率。有了这三个方法，我们就可以合并定义在相同变量集上且具有相同的先验顺序的贝叶斯网络。通过研究贝叶斯网络的等价类，我们发现了一种可以通过逆转某些有向边来把某一个贝叶斯网络转化为一个与它等价的贝叶斯网络的方法。这样我们就可以把不具有相同的先验顺序的几个贝叶斯网络转化为具有相同的先验顺序的贝叶斯网络。接着我们又提出了一种将定义在不同变量集上的几个贝叶斯网络转化为定义在相同的变量集合上的贝叶斯网络的扩展算法。有了这两个新方法，我们便可以把任意的贝叶斯网络合并起来。接着我们给出了这个贝叶斯网络合并算法在两个重要领域的应用。在结合专家知识的贝叶斯网络结构学习中，我们建议可以把专家知识看成是一个小型的贝叶斯网络，然后把它与从数据集学习得到的贝叶斯网络合并起来的方法来结合专家知识和数据集以获得共识贝叶斯网络。接下来，我们建议共识贝叶斯网络来建模基因调控网络，并证明用贝叶斯网络合并算法可以提高学习精度。