在过去的三十年中,特征选择作为一种维数约减技术,一直是机器学习领域的研究热点之一。传统的特征选择算法由于仅基于特征与类属性之间相关性,可能导致预测分类模型缺乏可解释性、可操作性和鲁棒性。因果特征选择是发现类属性的贝叶斯网络（Bayesian network,BN）的子结构,即马尔科夫毯（Markov blanket,MB）,该MB由类属性的父母（直接原因）,孩子（直接结果）和配偶（直接结果的其他直接原因）组成,从而明确地推导出局部类属性和特征之间的因果关系。因此,因果特征选择作为一种新兴的特征选择方法,通过识别潜在因果特征以构建可解释、可操作且健壮的预测分类模型,已引起机器学习和因果发现领域的广泛关注。除了用作特征选择以进行分类之外,作为BN的子结构,因果特征选择在学习感兴趣变量的局部BN结构中起着至关重要的作用。同时,如果能够识别数据集中所有变量的MB,则这些MB可以用作约束条件以减少搜索空间,从而实现高效的局部到全局BN结构学习。本文以因果特征选择为核心,开展了分类和因果结构学习的相关研究,主要取得了如下创新性成果:（1）针对因果特征选择分类问题,同步类因果特征选择方法将当前选择的所有特征作为条件集来牺牲精度以提高效率,而分治类因果特征选择方法尽管穷举了所选特征的子集以提高精度,但是从父子节点（parents and children,PC）的PC中寻找配偶牺牲了效率。因此,本文提出了新的因果特征选择算法来平衡现有算法的效率和准确性,一种平衡的MB发现算法BAMB（BAlanced MB）。BAMB将找候选PC和配偶,以及删除假PC和配偶统一到一个循环内,从而尽可能早的删除错误PC和配偶,以使条件集的长度始终保持在最小的范围来平衡效率和准确率。本文从理论上证明了算法的健全性和完整性,并分析了现有算法的复杂度。在标准BN数据集和真实数据集上进行的大量实验验证了BAMB的有效性。（2）针对局部因果结构学习问题,由于现有局部因果结构学习算法在发现PC时,需要耗费大量时间来穷举当前选择的所有特征的子集作为条件集,本文提出了基于特征选择的局部因果结构学习算法LCS-FS（Local Causal Structure learning by Feature Selection）来提高现有算法的效率。具体来说,LCS-FS使用无需条件集的特征选择方法寻找PC,并通过在PC中寻找割集的方式来帮助寻找V结构,进而对目标节点的父亲节点和孩子节点进行区分。在节点数从35到801的5个标准BN数据集上的实验验证了LCS-FS的有效性。（3）针对任意部分的因果结构学习问题,全局因果结构学习算法需要找到整个BN结构来确定部分BN结构,而局部因果结构学习算法会遗漏一些V结构,导致得到的部分BN结构出现错误的定向边。因此,本文提出了高效且准确的任意部分的因果结构学习算法,称为APSL（Any Part of BN Structure Learning）。APSL将MB中的V结构分为collider V结构和non-collider V结构,并在每次迭代中递归的寻找collider V结构和non-collider V结构,直到感兴趣部分的BN结构完全定向。为提高APSL的效率,本文进一步设计了基于特征选择的APSL算法,APSL-FS。在一系列的标准BN数据集上的实验上验证了APSL和APSL-FS的有效性。