从观察数据集中发现感兴趣的变量间的因果关系是近年来科学研究中的一个备受关注的问题。但在许多真实场景中,由于时间推移、具有多种不同的来源或收集方式等因素的影响,异质数据集通常可以分为多个服从不同分布的子数据集,各个子数据集中的因果关系所对应的数据生成机制也是不同的。由于现有因果关系研究中通常含有一个潜在的假设,即仅存在一个固定的数据产生机制,因此现有的面向同质数据的因果关系发现方法无法从异质数据集中还原出正确的因果函数,进而无法得到变量间正确的因果关系。在因果关系发现研究中,原因变量的分布与原因变量到结果变量的条件分布被称为因果模块,对一个因果模块的影响不会扩散到另一个因果模块上,这种特性被称为模块性。根据模块性,异质数据集中因果模块间的变化是相互独立的,而因果方向的反向中不存在模块性。因此,在本论文中,我们利用这种因果方向和其反向间的不对称性,提出了两种面向异质数据的因果方向判别方法。这两种因果方向判别方法的共同之处在于核心思路,即在两个备选的因果方向上检验其变量分布与条件分布间的独立性并进行比较,选择独立的方向为正确的因果方向;不同之处在于如何从异质数据集中得到因果模块并使其能够用于独立性检测。具体来说,本论文完成的主要工作如下:（1）形式化地定义了异质数据因果方向判别问题,分析了现有因果方向判别方法在此问题中的不足之处,并给出了使用模块性判断异质数据集中变量间因果方向的思路。（2）定义了可以描述不同类型因果模块参数的度量,即因果模块熵,在因果模块熵和前述理论分析的基础上,首先提出了两种面向异质数据的因果方向判别方法,即最大熵独立方法和最小差异方法,通过理论分析阐明提出的方法所具有的分辨因果方向的能力,并进一步改进了最小差异方法。（3）在生成的模拟数据和真实数据集上进行实验以验证最大熵独立方法和最小差异方法的效果,实验中的对比方法包括五种主流的因果关系发现方法,记录实验数据并制作图表。从实验结果可以看出,在本文实验部分所涉及的各种情况中,最大熵独立方法能够较好地判断异质数据集中变量间的因果方向,最小差异方法更是在绝大多数情况下都取得了最好的表现,总体上优于包括最大熵独立方法在内的其他各个方法,这充分验证了本文所提出方法在异质数据因果方向判别问题上的有效性和泛用性。