人们要认识事物之间的作用机制,使其能够为人类活动服务,就必须要了解不同事物之间的关系,其中因果关系是事物之间普遍存在的一个重要关系,探寻世界中变量间存在的因果关系可以帮助人们更好的认识事物的相互影响。然而,事物之间的关系总是错综复杂的,因果关系并不是显而易见的,在不同领域专家的辅助之下,可以人工对各个领域的系统建立模型,但是在缺乏专家知识的情况下,我们就需要基于一些在生产生活中获取到的观测数据进行自动建模。大数据时代的到来使得人们能够获取的信息和数据越来越多,直接从数据中发现因果关系成为可能,但是另一方面,数据中蕴含的信息复杂多样,要从大数据中发现因果关系,还需要一些特殊的技术手段。贝叶斯网络能够直观反映变量之间的相互依赖关系,而且其依赖强度可以通过条件概率分布表来刻画,是一个非常适合用于进行因果发现的模型。本文基于贝叶斯网络进行因果发现,并开发了一个因果推理软件,我们的主要成果包括:（1）基于K2算法进行因果发现本文采用K2算法学习贝叶斯网络,考虑到K2算法学习贝叶斯网络的准确度很大程度上取决于预定义的节点顺序这一特点,我们提出了一种基于节点优先等级的方法对变量节点排序,与随机顺序和MCMC算法直接学习贝叶斯网络相比,1000次重复实验中在三种算法中表现最佳的次数达到580次。同时,本文将该算法应用于美国国内航空的一个航班延误—天气数据集,建立了航班延误与有雾、潮湿、低气压、雨雪、低温、打雷、低能见度这些天气因素之间的因果图结构。（2）基于扰动进行因果发现本文采用结构扰动的方式引入扰动数据,通过迭代的方式学习因果网络。为了找出当前结构下最具有扰动价值的节点,本文提出了一个基于杰卡德相似系数的扰动节点选择方法。该方法通过切断不同节点对子节点的影响,比较其与原来网络生成的样本数据的差异,从而找出对网络中其他节点影响最大的节点,以此节点作为扰动节点,能够达到最佳的扰动效果。在基于包含500个实例的观测数据集中,我们在进行因果发现之后,进行了9次迭代扰动,学习到的贝叶斯网络和真实网络差异的度量分别为7、7、9、8、4、5、9、6、4,整体上呈现一个下降的趋势。（3）因果推理的代码实现建立图形因果模型之后,代码基于do-calculus准则提出变量之间因果关系的假设,然后对假设进行估计,得到因果推断结论,最后通过二次估计对结论进行验证。