贝叶斯网络将概率理论和图论相结合,为解决不确定性问题提供了一种自然而直观的方法。近年来,贝叶斯网络逐渐成为国内外智能数据处理的研究热点之一,被广泛应用于专家系统、决策支持、模式识别,机器学习和数据挖掘等领域。本文在对贝叶斯网络全面概述的基础上,深入研究了贝叶斯网络的结构学习。全文的主要内容如下: 1.贝叶斯网络的概述。全面介绍和分析了贝叶斯网络的研究背景、研究现状和研究趋势;贝叶斯网络的基本原理;贝叶斯网络的典型推理和学习算法。 2.基于依赖分析方法的基本思想,提出了一种贝叶斯网络的结构学习算法ISOR,该算法采用一种启发式切割集搜索算法并在冗余边检验之前确定边的方向,有效地降低了学习过程中条件独立性检验的次数和阶数,理论分析和实验结果均表明该算法具有良好的性能。 3.基于界定折叠和依赖分析方法的基本思想,提出了一种针对缺失数据的贝叶斯网络结构学习算法BC-ISOR,该算法首先从缺失数据中进行参数的区间估计,再根据数据的缺失方式,计算参数的点估计,在此基础上,采用ISOR算法进行贝叶斯网络的结构学习。理论分析和实验结果均表明:在不影响学习精度的前提下,算法BC-ISOR时间性能与数据的缺失率无关,从而说明了该算法更适合于数据缺失严重的情况。