贝叶斯网络（Bayesian Network,BN）是概率论与图论结合的一种图模型,具有强大的知识表示与推理能力,为解决预测、分类及推理等问题提供了坚实的理论基础。BN广泛应用于可靠性与风险分析、医学诊断、生物信息学等领域。基于BN理论解决实际应用问题时,一个关键的任务是依据研究目标的特征建立能够刻画不同属性之间关系的BN拓扑结构,因此BN结构学习逐渐成为BN研究领域的热点和难点问题。本文首先针对一般BN结构学习算法进行研究,然后对特殊的BN（贝叶斯网络分类器,BNC）的结构学习方法进行优化,最后将BNC应用于石油地质领域,解决实际油气资源空间分布问题。论文的主要研究工作如下:（1）由于学习最优BN结构是一个NP难问题,因此一般采用群智能优化方法解决该问题,但是该类方法仍然存在搜索效率及寻优精度低等问题。针对上述问题,本文首次将萤火虫算法引入到BN结构学习中,提出一种新颖的基于离散萤火虫优化算法学习BN结构的方法,记作DFA-B。DFA-B算法具有参数少、收敛速度快和较强的全局搜索能力等优点。在DFA-B中,首先将BN拓扑结构和对应结构的评分分别抽象成萤火虫的位置和发光强度。然后重新定义了在离散状态下萤火虫的飞行策略,并利用进化计算思想为每只萤火虫增加变异算子,增强其探索能力并防止算法陷入局部最优。最后使用局部优化器来提高萤火虫的开发能力,确保找到得分最高的候选解决方案。本文提出的算法在基准网络上与其他主流算法进行对比,实验结果表明DFA-B评分更优且收敛性更好。（2）TAN是当前流行的一种BNC,但是该方法存在两点不足:（1）随机选择根节点造成分类性能波动,（2）属性之间存在冗余边导致分类性能下降。针对上述问题,本文从属性间权重的度量指标和过滤冗余边两方面对TAN结构进行优化,提出了一种新颖的基于互信息贡献率的柔性树增强朴素贝叶斯算法（FTAN）。在FTAN中,首先采用互信息贡献率（）描述不同属性之间的不确定性减少的相对量。在建立最大加权扩展树的过程中,使用在细粒度上刻画属性之间的依赖关系,有利于确定属性之间边的方向,从而避免随机选择根节点造成的分类性能波动。然后采用一种柔性过滤方法,通过动态调节阈值过滤掉属性之间具有弱依赖（独立）关系的边。实验结果揭示,在0-1损失函数和类概率均方根误差方面,FTAN算法与其他流行算法对比取了显著优势。（3）准确预测油气资源的空间分布是油气勘探的重要组成部分,对提高勘探效率、优化钻井策略和增加经济效益具有至关重要的意义。现有的解决油气资源空间分布预测问题的方法主要是从判别角度进行建模预测。该类方法不能定量表达不同地质属性之间的潜在关系,并且分类准确度具有较大的提升空间。BNC的结构可以自然的刻画不同地质变量之间的关系,因此本文将BNC应用于石油地质领域,提出基于BNC方法解决油气空间分布预测问题。在工程应用研究过程中,首先定义了油气空间分布预测问题的数学形式表达式。然后从属性排序与模型简化两方面对KDB算法进行优化并提出了SKDB算法。最后运用FTAN和SKDB两种BNC方法解决准噶尔盆地腹部侏罗系三工河组油气空间分布预测问题。实际应用结果表明,BNC方法无论是在准确度上还是在应用效果上都明显优于当前主流方法,同时根据SKDB模型预测结果指出了三工河组剩余油气资源有利分布区域,为下一步勘探决策提供重要参考。