贝叶斯网络（Bayesian network,BN）是一种基于概率论和图论的数学模型,为不确定性条件下的知识表示和推理提供了一种明确清晰、图形化和可解释的表达形式。然而学习最优的BN是一个NP难问题,因此研究人员从概率推理、信息论、结构学习、参数估计、特征选择以及集成学习等角度结合启发式等学习策略提出了许多方法来进行BN的研究。但就目前已经发表的成果来看,BN还存在以下几个问题需要解决:1)目前大部分有关BN的研究都属于急切式学习（或积极学习）,试图基于训练数据构建一个对所有测试实例都有效的分类器。然而学得这样“完美”的分类器是极其困难的,而且分类器无法针对不同的分类问题采取不同措施,只能根据训练数据学得的知识进行分类,忽略了隐藏在测试实例中可能有利于分类的信息;2)在BN的拓扑结构中,属性间依赖关系在信息论与概率论角度上的度量差异可能导致度量函数对条件独立性的描述不一致。例如研究人员普遍采用诸如条件互信息的度量函数来度量BN拓扑结构中属性间的依赖关系,然而受限于其信息化表达形式而无法度量特定属性值之间的概率依赖（或独立）性,即属性间信息论意义上的依赖（或独立）关系并不意味着对应属性值间概率论意义上的依赖（或独立）关系始终成立。这种差异性的忽略可能会影响BN的知识表示能力;3)虽然BN又被称为信念网络或者因果网络,但目前人工智能领域中有关贝叶斯网络因果关系的研究是一个很有争议性的课题。属性间因果性的定义远比相关性的定义复杂微妙得多。如条件互信息表达式的对称性决定了其只能描述无向相关性,而非有向因果性。基于BN的有向无环特性,现有BN的研究通常使用了人为定义的弧定向策略,然而该策略并不能体现真正的因果关系。针对上述几个问题,本文的主要贡献如下:1)通过假设同一类标签下的所有实例都是条件独立的,并且都源于同一概率分布,将条件独立同分布（Conditionally independently and identically distributed,c.i.i.d.）假设引入到BN中,并对BN结构学习中广泛使用的基于信息论的度量函数进行推广,旨在更细粒度化地度量隐藏在训练数据（或测试实例）中的属性（或属性值）之间的依赖关系。在此基础上提出半惰性式贝叶斯网络分类器（Semi-lazy Bayesian network classifier,SLB）,通过构建一系列基于类标签和测试实例的局部贝叶斯网络分类器来挖掘未标记实例中属性值之间的隐式依赖关系。实验证明SLB与其它主流最新的算法相比分类性能更优、分类效率更高。2)证明了信息论和概率论在度量条件独立性方面的差异会导致条件独立性描述的不一致性,重新定义了信息与概率条件独立（或依赖）的标准,并提出一种新的BN学习框架——分层独立阈值法（Hierarchical independence thresholding,HIT）,用于识别BN中属性间的信息独立性和概率独立性,并基于识别结果提出使用一种自适应阈值方法滤除冗余依赖关系。该算法的目的在于构建一个能够描述信息论与概率论意义上条件依赖之间映射关系、区分对应关系依赖性与独立性的BN学习框架。实验证明HIT可以同时改善具有高阶依赖表达能力的贝叶斯网络分类器的0-1损失函数、均方根误差、偏差和方差结果。3)从信息熵的角度对贝叶斯网络中的因果关系进行了探索性的研究,首先基于对似然函数定义了联合熵函数与BN拓扑结构中联合概率分布的映射关系,然后在此基础上提出了类条件熵和局部条件熵函数来识别拓扑结构中属性间的因果关系。最后提出了一种基于类标签驱动的启发式结构学习方法来构建可以兼顾有标签数据拟合和无标签数据泛化的贝叶斯网络分类器。实验证明,在0-1损失函数、偏差和方差方面,新算法与其它主流最新的算法相比具有显著优势。