如何全面而准确地建模金融系统中各因素之间的影响关系，并动态监控其变化情况是在当前金融分析领域面临的一个重要问题。传统的研究方法往往根据专家经验人工选择少量较为重要的因素，利用统计回归等方法建模所选因素之间的关系。然而金融系统结构极其复杂，金融因素之间的关系实时变化，仅仅依赖专家经验选取少量因素去模拟如此复杂的系统显然是不合理的，金融系统动态变化的特征也无从体现。为解决上述问题，本文提出了两个研究目标:首先实现对大规模金融因素间相互影响关系的有效建模;进而将建模方法动态化，不断调整模型结构，实时监控金融因素间关系的演进过程。　　本文以贝叶斯网络理论为基础对上述问题进行了研究，在算法方面主要进行了以下部分所展示的研究:　　针对贝叶斯网络的混合增量结构学习算法提出了相应的算法框架。现有贝叶斯网络结构增量学习算法通常使用得分函数在候选网络空间中进行搜索，复杂度较高，无法实现对复杂的实际问题的建模分析。本文基于贝叶斯网络结构静态学习中的混合学习机制构建增量学习算法:利用限制性学习技术对候选网络空间进行剪枝，降低算法复杂度，使基于大规模真实数据的增量结构学习成为可能。　　提出了基于交互信息量与假设检验结合的变量间依赖性衡量方法。现有结构学习算法中采用的依赖性衡量方法往往需要依据经验预先设定统一的阈值，然而在不同的实际环境中阈值取值不同，其设定是否恰当对学习结果有着极大的影响。本文利用交互信息量与假设检验两种方法结合，同时对结点间的依赖关系和独立性进行衡量，利用统计学中成熟的假设检验理论避免了阈值的人工设定。　　以贝叶斯网络的有向分割集理论为基础，以信息熵为得分函数构建了启发式的分隔集搜索算法，实现对候选网络空间剪枝，在保证算法精度的同时，降低算法复杂度，提升算法效率。对比现有增量学习算法，本文的算法在大规模数据集上的效率提升了30-50倍，同时模型精度也略有提高。　　基于本文所提出的贝叶斯网络增量结构学习方法，对金融系统的因素结构和动态特性进行了建模和分析。　　首先对美国证券市场上的因素关系进行静态建模分析。通过本文所提出的方法，从近百个金融因素中抽取出了对市场收益率具有直接影响的因素关系子结构。与传统分析方法的对比结果表明，新方法抽取出的影响因素，基本符合金融界已经确立的分析结论。而网络拓扑结构给出的因素间影响关系可为金融学家的进一步研究提供有力参考。　　在因素关系静态分析的基础上，本文又利用所提出的算法对影响中国以及美国金融市场收益率的宏观经济因素进行了动态建模，以寻找金融系统因素关系的变化对市场收益率的影响规律。经过对比分析发现，中美证券市场上影响收益率的金融因素之间关系的变化，往往伴随着市场收益率变动长期趋势性拐点的出现。这为金融学家对收益率的研究提供了一个崭新的视角，也提示在其他复杂系统中的研究中，应将因素之间关系的变化和因素自身量值的变化进行结合研究。　　综上所述，本文所提出的贝叶斯网络增量结构学习方法为分析金融系统中的影响因素及其动态特性提供了有力的技术手段，对研究金融系统发展趋势具有一定的启发意义。