作为概率论和图论相结合的产物，图模型理论为解决应用数学和工程中的 不确定性、复杂性问题提供了直观而自然的方法。近年来它逐步成为数据发掘 与知识发现领域中一个不容忽视的方向。根据“基于有向图模型的知识发现” 框架，本文研究图模型在知识发现领域的应用理论基础，包括离散化预处理、 结构学习、参数学习、模型解释等四个方面。 首先，本文分别提出了连续数值属性的无监督离散化算法和有监督离散化 算法。无监督离散化算法基于混合概率模型，它能够在缺少先验知识和参考属 性时自动离散化数值区间：首先建立属性值的混合概率模型，然后采用EM算 法来确定该模型的参数，最后利用贝叶斯因子寻求最佳区间数目。有监督离散 化算法-力权信息损耗离散化算法，是决策树离散化算法的一种扩展，但采用 了ChiMerge算法中的自底向上离散化方式。 然后，本文从概率密度函数逼近的角度对有向图模型的结构学习进行了理 论分析，归纳出“最大相互信息原则”，分析了运用该原则进行结构学习时的 性质，并提出了“附加惩罚函数的最大相互信息原则”，进而提出了有向图模 型结构学习的演化算法，该算法可以结合两类先验知识以提高学习效率，并设 计了一系列修正算子，以保证由已有拓扑结构繁衍出的新结构仍然是符合要求 的拓扑结构，而且不违背先验知识。 针对有向图模型的参数学习，本文提出基于复合计算智能的方法，设计了 各节点处条件概率密度的人工神经网络表示方法，使得参数学习时不再要求参 数满足局部无关性，也不再需要用户指定先验参数，进而提出了该人工神经网 中国科学院博士学位研究生学位论文 络的演化训练算法，从而确定有向图模型各节点处参数的值。 此外，本文还探讨了有向图模型的模型解释问题，分别提出了概率依赖关 系描述、条件独立关系的自然语言描述方法。 最后，本文介绍了一个概率依赖关系发现系统原型工具Dr．Miner的设计和 实现。