机器学习的蓬勃发展使得人工智能的研究迎来了新的春天。分类任务是机器学习最核心的任务之一。贝叶斯网络分类器(Bayesian Network Classifier,简写为BNC)凭借其训练成本低而分类精度高、可解释性强、可直接处理多分类问题等优点一直以来都是分类技术领域的研究热点。朴素贝叶斯(Naive Bayes,NB)是最早提出的BNC,它假设在给定类变量的条件下,特征之间相互独立。然而,在特征关系复杂的实际问题中,NB的条件独立性假设往往因过强而难以成立,影响了它的分类精度。树增广的朴素贝叶斯(Tree-augmented Naive Bayes,TAN)放松了NB的条件独立性假设,允许特征之间存在一阶依赖关系。k阶依赖BNC(K-dependence Bayesian Network Classifier,KDB)则更进一步,将特征之间的依赖关系扩展到了k阶。使用集成学习往往能大幅提升BNC的分类精度。机器学习领域中主要有两种集成方法:子模型独立训练的并行集成与子模型训练互相影响的序贯集成。加权的平均TAN(Weighted Averaged TAN,简写为WATAN)就是BNC并行集成的典型代表。多阶段分类是序贯集成方法的一种。它将分类器按照模型的复杂程度串行排列。后续分类器负责修正其前驱的分类结果。这样经过反复完善逐级优化形成最终的分类决策。因多阶段分类具有计算开销小、对精度提升显著、可灵活组合分类器等优点,被广泛应用于多个领域。为了纠正BNC当存在类标签的后验概率与最大后验概率接近时可能发生的误分类以提升BNC的分类精度,本文提出了类标签驱动的多阶段贝叶斯网络学习框架(Multistage Bayesian Network Learning Framework Using a Label-Driven Approach,MBLF)。MBLF将测试实例的分类流程扩展为了三个阶段,即预处理阶段、标签过滤阶段与标签专攻阶段。在预处理阶段,一个BNC被用作通才分类器为所有类标签估算后验概率。若存在多个高后验概率的类标签,则使用后两个阶段为该测试实例重新分类。标签过滤阶段首先除去低后验概率类标签,然后使用来自高后验概率类标签的可靠信息重新学习网络结构,将通才分类器升级为优化的通才分类器。标签专攻阶段针对每一个高后验概率类标签都学习了一个专家分类器以充分表达不同类标签场景下的特征依赖关系。最后,通过将专家分类器与优化的通才分类器并行集成获得最终的分类结果。本文将MBLF应用于TAN上得到了类标签驱动的TAN(Label-driven TAN,LTAN)。在40个UCI数据集上进行的实验结果表明,LTAN的分类精度不仅显著优于经典的单结构BNC,而且比一些广受认可的集成BNC更胜一筹,更重要的是,这种精度提升没有带来过多的计算开销。从而证明了MBLF能有效地提升分类精度。