贝叶斯网络是人工智能领域研究不确定环境下知识表示和因果推理的主要工具之一。目前从数据集中自动构建贝叶斯网络的结构学习算法已经成为研究的热点之一。MMHC算法是Tsamardinos提出的一种较新的贝叶斯网络结构学习算法,与其他经典的贝叶斯网络结构学习算法相比,该算法在网络学习质量和学习效率上普遍更优,是一种比较优秀的贝叶斯网络结构学习算法,但是也存在很多不足有待改进。本文主要在分析了MMHC算法存在的不足的基础上,提出了相应的改进措施。本文主要研究工作和创新点体现在以下三个方面:1.本文分析了BDeu评分准则存在的不足,研究BDeu、K2、MIT、MDL 4种评分准则在MMHC算法的搜索评分阶段对算法学习效果的影响,实验表明K2评分准则的学习效果最优,普遍优于BDeu评分准则。MMHC算法采用K2评分准则替代BDeu评分准则可以有效的改进学习效果。2.MMHC算法的评分搜索阶段应用贪婪搜索算法使得算法容易陷入局部最优。针对这一不足本文考察了模拟退火、随机重启爬山搜索、禁忌搜索等三种搜索对网络学习效果的改进,实验表明这三种搜索算法在网络学习质量上普遍优于贪婪搜索,其中模拟退火搜索学习效果最好。3.分析了MMHC算法第一阶段候选父子节点集存在错误将传播到MMHC算法的第二阶段导致无法得到最佳网络的缺陷,针对该缺陷对MMHC算法进行了改进,实验结果表明该改进对网络的学习质量的改善行之有效。