随着现代科技步入人工智能新时代,数据总量呈现出爆炸式的增长,数据类型也越来越多元化。作为数据因果发现的重要一环,因果结构学习领域向来备受关注。然而,目前大多数因果结构学习算法难以应对复杂的非线性数据,特别是高维大数据,普遍存在计算复杂度大、结果精确度低等问题。究其原因,缺乏相应有效的独立性分析是重要影响因素。本文以此为切入点,构建了一种空间坐标SC系数和条件坐标CSC系数,一方面,将其与贝叶斯网络相结合,提出了一种因果结构学习算法SCB;另一方面,将其与流特征概念相结合,提出了一种流特征因果结构学习算法SCBF,从而有效克服了以往算法的缺陷。具体而言:首先,本文提出了一种可测量非线性数据之间独立性的系数SC和条件独立性系数CSC。利用函数的映射关系简化HISC系数公式（本文称之为类离散化）,显著降低了独立性分析的计算复杂度,同时提高了判断精确度。鉴于数据特征在经过类离散化的预处理后,可以表示高维空间的向量,那么通过分析不同特征高维空间向量在高维空间中的关系,我们就能间接计算不同特征之间的独立性关系,这就是SC系数（Spatial Coordinates）。但SC系数本身存在局限性,即仅能简单度量两两特征之间独立性,无法应对实际数据中大量存在的冗余关系。故本文在SC系数的基础上推导了条件独立性系数CSC（Conditional Spatial Coordinates）,并证明其统计量符合正态分布。其次,本文基于SC系数、CSC系数设计特征选择算法,提出了一种非线性因果结构学习算法SCB。具体步骤如下:首先,计算数据集中两两特征之间的SC系数,初步判断特征之间的独立性关系;然后,通过SC系数计算CSC系数,去除上一步中的冗余特征,完成对数据集的特征选择;最后,通过贪婪的爬山搜索算法处理上一步的输出结果,完成贝叶斯因果网络结构学习。SCB算法中SC系数、CSC系数具有计算复杂度低,判断精确度高的优点,这使得SCB算法同样具有这样的优点,故而SCB算法可以又快速又精确地处理高维大数据集,最终实验结果也证明了这一点。再次,本文基于SC系数、CSC系数设计流特征选择算法,提出了一种流特征因果结构学习算法SCBF。具体步骤如下:首先,通过计算系统中刚生成特征与存在特征的SC系数,去掉不相关特征;然后,通过计算当前特征与已存在特征的正反CSC系数,判断冗余性;最后,结合贪婪的爬山搜索算法,最终得到整个因果结构网络。SCBF算法具有与SCB算法同样的优点,并且同样得到实验结果的支持。最后,本文引用现实数据设计实验,验证SC系数、CSC系数的有效性。本文引用一组电厂设备的采集数据,由于该组数据特征结构已知,所以实验选用SCB算法。实验具体过程如下:首先,开发一个预测数据趋势的系统,该系统使用的预测方法是长短期记忆网络（LSTM）;然后,设计对照实验,一组是通过LSTM直接对数据集进行预测,一组是通过LSTM对SCB算法处理过后的数据集进行预测;最后,对比实验结果,最终证明SC系数、CSC系数均是有效的。