贝叶斯网络，也称为贝叶斯网、信念网络或因果概率网络，它将图模型理论与概率统计相结合，可以直观的表示随机变量间的依赖和独立关系。由于贝叶斯网络具有结构清晰，语义明确等特点，已成功应用于人工智能、机器学习、数据挖掘、生物信息学等多个领域。但是，仅仅依靠专家构建贝叶斯网络十分困难，有时甚至是不可能的。因此,如何通过有效的算法从数据中学习贝叶斯网络成为研究的热点和难点。贝叶斯网络的学习主要包括结构学习和参数学习两部分，而网络参数可以通过网络结构和数据集确定，所以结构学习是贝叶斯网络学习的核心。首先，本文介绍了贝叶斯网络的相关理论知识，重点研究了贝叶斯网络结构学习的两类基本方法。其次，详细介绍了新型的元启发式算法-人工蜂群算法的基本理论和定义，针对基本人工蜂群算法存在收敛速度慢、易早熟等缺点,提出一种改进的人工蜂群算法。改进算法利用随机动态局部搜索算子对当前的最优蜜源进行局部搜索,以加快算法的收敛速度;同时,采用基于排序的选择概率代替直接依赖适应度的选择概率,维持种群的多样性,以避免算法出现早熟现象。最后，提出了基于人工蜂群算法的贝叶斯网络结构学习方法。该算法首先采用MWST算法产生网络的最大权重生成树，并通过三种操作算子形成初始种群；然后根据贝叶斯网络结构的特点设计了基于遗传算子的蜜源更新策略。仿真实验结果表明，新算法具有较强的结构学习能力。