因果推断和因果结构的学习是一个新兴的研究领域.在统计学中,相关和因果的讨论由来已久,但统计学家对相关问题的研究远多于对因果的研究.有关因果的研究主要包括两部分:其一是因果结构的学习,即从观测数据或实验数据分析因果系统的结构;另一个是对因果效应大小的估计.对因果结构的学习,该文讨论了三个问题.首先讨论了因果系统结构学习的一种特殊情形,即利用多重小样本的实验数据学习因果系统结构.现实中某些基因芯片的实验数据就属这种情形.通过讨论给出了各种忠实性假设的合理性,以及利用多重小样本实验数据和限制型方法学习的因果结构哪些是正确的,哪些可能存在错误.我们得出利用限制型方法和多重实验的混合数据学习的因果结构在未控制变量集子图上是正确的.其次,我们证明了一种学习局部因果关系的方法,在这种方法下,可以确定因果系统的部分因果结构,利用这种方法,在启动子已知时,可以用来识别基因调控网络的部分调控机制.最后,讨论了如何利用随机实验主动学习Markov等价类,并对一些简单的情形给出了主动学习的准则.该文也讨论了利用图模型和虚拟事实模型的因果推断.首先探讨因果链上总因果效应与局部因果效应的关系及因果效应的可识别性.给出了在因果链上因果效应的传递关系.然后根据这个关系,给出了通过控制因果链上中间因素来消除混杂偏倚的方法.最后我们讨论了流行病学中因果的定义以及因果效应的度量,给出了在病例对照研究中子总体因果优势比和总体因果优势比的界.