现实世界以及各个学科领域存在着大量的不确定现象和问题。贝叶斯网络是概率论与图论相结合的产物,它一方面用图论的语言描述问题的结构,另一方面按照概率论的原则对问题的结构加以利用,降低推理的计算复杂度。为不确定性问题提供了一种自然而直观的方法,贝叶斯网络广泛的应用于农业、医疗、金融、工业和国防等各个领域,产生显著的社会效益和经济效益,对于贝叶斯网络的进一步研究具有重要的理论意义和实用价值。全文主要包括以下内容:首先对贝叶斯网络的概述,介绍和分析了数据挖掘的概念和背景与意义,贝叶斯网络的发展与研究现状。总结和归纳出贝叶斯网络与其他方法相比的优势和特点。并对贝叶斯网络结构学习中的主要问题进行了深入地分析。其次,融合搜索和打分算法及依赖分析基本思想,将互信息理论用于搜索和打分算法中的搜索阶段,提出了CIWK结构学习算法。该算法利用互信息得到节点间的最大生成树,进一步链模型结构简化了搜索复杂度,最后将得到的节点顺序用于K2算法得到贝叶斯网络。算法时间复杂度低,并通过实验表明该算法具有良好的性能。最后,将CIWK作为分类器的一部分与数据挖掘中其它的分类器进行了比较分析。实验表明:GBN分类器优于BN分类器和Rule分类器,与C4.5分类器的分类效果近似。