随着大数据技术的不断发展,人们探索了许多用于挖掘这些数据的算法。但是它们大多局限于挖掘数据中的关联关系,而没有深入理解数据中的因果关系,所以常常会导致一些错误的结论。这种错误往往是不可预估的,也是十分危险的,尤其是在医学领域或者商业决策。基于关联关系挖掘的人工智能算法存在这样的不可避免的缺陷,富有远见的学者们早已开始了因果分析的研究,并且他们认为这才是通往强人工智能的正确之路。目前因果分析主要包括两大部分,因果关系网络发现和因果效应估计,前者是后者的理论基础,后者是前者的应用与验证。传统的因果网络发现方法很容易出现等价类的难题,也就是存在局部不可判别的因果方向。它们只能较好地识别V结构,对于d分离的结构无法区分,所以两变量的因果方向判别方法引起了人们的关注。目前的两变量的因果方向判别方法大多基于噪声独立性假设。这种方法使用核估计来实现噪声独立性的判别,但是这会导致大样本的数据计算量急剧增加,同时核估计方法也很容易对噪声独立性错误判断。为了突破加性噪声假设的限制,本人开始研究异方差数据的因果方向判别,目前研究这种场景的算法还比较少。异方差数据研究的难点在并非所有的异方差系统都具备因果方向可识别性,只能进一步通过合理假设挖掘出具备可识别性的异方差系统。通过研究,本人发现四阶矩是一种很好的度量异方差噪声特性的工具,并且以此建立了一套异方差数据因果方向判别的框架。本算法的创新点在于借助变分异方差高斯过程能够降低计算复杂度,同时四阶矩理论突破了噪声独立性假设,把因果方向判别算法的适用范围进一步扩大。本人还在理论上证明了模型可以退化到噪声独立假设的场景,这表明算法具备一般的适用性。实验的分析的结果也表明本文的方法是有成效的。因果效应估计是建立在因果网络发现的基础之上的研究,它的目的是估计某一种特定的因果关系网络之中因变量对于果变量的影响程度大小。因果效应估计在现实场景具有广泛的应用,例如药物治疗,社会科学等。传统的因果效应估计方法大多基于简单的线性模型或者逻辑回归作为拟合模型,所以常常只能适用于低维小样本的数据,在处理高维海量的数据时表现不佳,而后者是大数据时代不可避免的问题。随着深度学习算法的快速发展,它在处理高维海量的成效令人瞩目,这让我们看到了它们之间结合的可能性。本人发现基于变分编码机模型可以很好地分离与因果效应真正起效的隐变量,某种意义上实现了高维数据信息分离提取的作用。在正确分离隐变量的基础上,再结合传统的倾向评分法就可以较好地解决高维的因果效应估计问题。本方法的创新点在于结合流式的变分编码机与传统的倾向评分法成功地解决高维的带隐变量的因果效应估计问题。实验结果也表明模型在平均因果效应估计上取得了很好的效果。本文的工作分析了因果分析从理论到应用的过程的难点,解决实际应用遇到的异方差和高维数据等问题,完成了因果关系发现到因果效应估计的完整理论框架。