人工智能中的一个关键问题是开发能够提供领域知识的结构化表示的模型,长期以来,贝叶斯网络（Bayesian network,简写为BN）一直是在不确定条件下进行推理和知识表示的主流媒介。贝叶斯网络分类器（Bayesian network classifier,简写为BNC）是一种特殊类型的BN,主要用于处理分类问题。如何降低网络拓扑的复杂度和使学习到的联合概率分布更加拟合数据是学习BNC的两个重要但不一致的问题。经典的BNC模型（如TAN、KDB等）,它们往往只能表达有限数量的、最为重要的条件依赖。信息论度量准则,例如互信息（MI）和条件互信息（CMI）,通常用于粗略量化属性之间的相互或条件依赖性。然而,由于结构复杂度和计算复杂度的限制,高阶依赖的条件概率的有偏估计可能导致性能不佳,尤其是在处理小数据时。为了解决此问题,研究人员提出去学习分类器的集成。通过将单个高阶拓扑转换为一组低阶拓扑,集成学习算法可以包含更多包隐藏在训练数据中的假设,并有助于实现偏差和方差之间的权衡。Bagging和boosting是很流行的集成学习方法,它们使用不同的训练数据子集来训练分类器。然而,通过重采样来学习（条件）依赖关系,这种从训练数据中重采样虽然会改变集成成员中分类器的结果,但会潜在的损失隐藏在整体数据中的信息,使得条件概率分布的估计产生偏差,从而将不显著而非显著的依赖关系引入到BNC的网络拓扑中。在本篇文章中,本文提出将训练数据作为一个整体来学习,并应用启发式搜索策略来灵活地识别重要的条件依赖关系,在这个过程中属性顺序就被隐式的确定下来,并且得到基学习算法——随机贝叶斯分类器（random Bayesian classifier,简写为RBC）。本文采用RBC作为基本算法,然后通过多次随机得到多个不同的分类器,这些分类器的集合称为随机贝叶斯森林（random Bayesian forest,简写为RBF）。引入随机抽样以使得集成的每个成员变得“不稳定”,从而将依赖关系充分表达。RBF是一种高度可扩展的算法,即结合了集成学习的低方差又保留了高阶依赖拓扑的低偏差。分类器集成的平均表现优于其成员,不同的属性顺序和增广边将会形成不同的BNCs,这也表明了不同BNC的分类性能存在差异,并且在某些情况下差异很大。随机有助于独立学习从不同方面描述真实贝叶斯网络的RBCs,一个BNC的错误预测可能会被另一个BNC来纠正。为了验证本文所提出的RBF算法的有效性,本文在UCI机器学习库中的40个数据集进行了大量的实验,实验结果表明本文所提出的RBF算法与其他先进的核外学习的BNC（例如,SKDB、WATAN、WAODE、SA2DE、SASA2DE和IWAODE）的改进版本相比,在0-1损失、RMSE、偏差、方差、Friedman检验等评价指标上均具有显著的性能提升。