近年来,贝叶斯网络因为其在不确定环境下知识表示、推理的能力,成为不确定性人工智能的研究热点,为管理中的不确定性决策问题提供有效的工具和方法。目前为贝叶斯网络开辟新应用方向的理论研究成为异常活跃的研究领域,主要包括贝叶斯网络学习和推理,其中贝叶斯网络学习包括结构学习和参数学习。传统的贝叶斯网络结构学习方法主要分为基于专家知识和基于数据集两种类型,是从不同形态的知识源中挖掘问题域中表现为变量依赖关系的知识,进行知识表示来确定网络结构的过程。因此,贝叶斯网络结构学习的过程是一个知识获取的过程,其本质是机器学习方法的研究。但是基于数据集的学习方法具有一定的困难,已经证明搜索最优的网络结构是一个NP-hard问题,而基于专家知识的贝叶斯网络学习具有一定的主观性。为了解决传统结构学习方法的问题,使计算机具有人的知识获取能力,为学习方法开发智能的计算模型,是对贝叶斯网络结构学习方法提出的新要求。本文在贝叶斯网络理论研究的基础上,根据认知科学人工智能领域的新发展要求,以从不同形态的知识源中自动进行知识获取以及知识表示为目的,通过引入双库协同认知机制进行数据库中的知识发现,以及基于强相关逻辑进行的知识库中知识发现,研究能够模仿人类认知活动自动地进行知识获取并表示的贝叶斯网络结构学习方法。针对问题域中具有完备数据集的情况,提出基于多值属性关联规则挖掘算法(Mqars)的结构学习方法；针对问题域中数据缺乏的情况,提出基于强相关逻辑的结构学习方法。最后分别用两种具有认知特性的贝叶斯网络结构学习方法对上市公司财务预警问题和产业集群衰退问题建模进行实证研究。具体的研究内容包括：(1)分析贝叶斯网络结构学习的本质,针对传统方法的问题和人工智能领域的新要求,提出本文的研究问题和研究目的。对贝叶斯网络理论研究框架进行深入研究,分析贝叶斯网络结构学习的本质；通过对贝叶斯网络结构学习方法的研究现状,分析两类传统贝叶斯网络结构学习方法的问题；综述认知科学的人工智能领域新的发展要求,提出本文所研究的问题。(2)针对完备数据集的问题域,提出具有认知自主性的基于Mqars算法的贝叶斯网络结构学习方法。首先,为了实现了数据库与知识库的互操作,提出了一系列定义和定理搭建研究的理论框架,这是使方法具有认知特性的基础；然后,针对各个流程提出一系列子算法进行知识获取并将知识表示为贝叶斯网络,包括基于粗糙集、核主成分分析、粗糙集&核主成分分析的先验知识提取约简方法、基于粗糙集的多值属性关联规则算法(Mqars)和因果关系关联规则的贝叶斯网络结构表示方法。(3)提出基于强相关逻辑的贝叶斯网络(strong relevant logic-Bayesian networks,简称SRL-BNs)以及基于SRL-BNs的贝叶斯网络结构学习方法。从贝叶斯网络的底层逻辑出发,针对现有的贝叶斯网络的概率逻辑模型存在的问题,构建基于强相关逻辑的贝叶斯网络形式化的表示系统,用确定子句逻辑的语言定义了贝叶斯网络的组件,并给出了宣言式的语义。给出了基于SRL-BNs的结构学习方法的具体算法,该算法能够自动的进行知识库中的知识发现,针对不完备数据集和缺乏数据问题域,能够自动获取知识并表示成贝叶斯网络结构,是一个具有认知特性的自动化的机器学习工具。最后通过一个实例分析SRL-BNs的组件及其建模过程。(4)建立基于贝叶斯网络的财务预警模型进行上市公司财务预警问题的研究。对问题的研究背景、研究意义及研究现状、研究方法进行综述,收集样本并在真实的数据上训练贝叶斯网络财务预警模型的结构和参数,在结构学习上利用基于Mqars算法的贝叶斯网结构学习方法,用构建的模型进行预测,分析预测结果并得出结论。(5)建立基于强相关逻辑贝叶斯网络的产业集群衰退模型。分析产业集群衰退问题的研究现状,进行了产业集群衰退预测建模的实证研究,构建产业集群衰退风险因素的知识库,用基于SRL-BNs的结构学习方法进行结构建模,采集真实的数据作为样本训练模型参数,并预测衰退的概率,分析预测结果。本文的主旨是针对具体问题域的特点,将贝叶斯网络学习的过程模仿人类认知过程进行知识获取的过程,提出一系列具有认知特性的机器学习方法进行贝叶斯网络结构学习,并用实例研究证明方法的可行性。