20世纪80年代,在不确定性问题的研究方面,人们将概率论、统计论和图论结合,从而发展起来一门新的学科——贝叶斯网络(Bayesian Networks)。由于贝叶斯网络使用形象而清晰的图论知识说明变量之间的内在统计关系,使得它能够将复杂的概率分布用清晰而紧凑的形式表示出来,贝叶斯网络也以其显著的优点成为复杂系统中数据分析和不确定性推理的一种有效工具。传统的贝叶斯网络结构学习算法都是批量学习算法,这些传统批量学习算法在面对现实情况中动态变化的训练样本集数据时,算法的执行时间较长而且需要占用巨大的存储空间。为了提高贝叶斯网络结构学习算法的效率以及解决这些传统批量学习算法的缺点,本文所做的主要工作以及创新点如下所示：首先,研究了群智能优化算法,将粒子群算法和遗传算法相结合提出一种适用于贝叶斯网络结构学习的搜索算法——MPS (Mixed PSO Search)算法。并通过实验验证了MPS算法的有效性。然后,研究了增量式学习的思想,增量式学习机制中含有两个优化函数：一个是WTUD (when to update)函数,另一个是SSS (shrink search space)函数。WTUD函数决定是否需要更新以及何时更新网络,SSS函数决定搜索的范围。将这一增量式学习机制应用在MPS算法中,提出一种增量式MPS算法,并通过实验验证该算法的有效性。最后,研究了传统的贝叶斯网络结构学习算法：CL算法和B算法。提出两种增量式贝叶斯网络结构学习算法：iCL算法和iB算法。通过实验验证了这两种算法达到预期的目的：在不降低学习到的网络质量的前提下,比贝叶斯网络结构批量学习算法具有更低的算法执行时间,并节约了算法需要的存储空间。