互联网的飞速发展使得网络中数据的共享和交换行为出现得越来越频繁。一方面,政府部门、商务机构以及其他的一些组织希望能够充分地利用共享数据并从中受益;另一方面,隐私的存在及对隐私的保护性关注又在很大程度上限制了数据的共享范围。保护隐私的分布式数据挖掘由此应运而生。本文重点研究了保护隐私情况下的贝叶斯网络学习方法,并取得了如下成果:系统分析了已有的贝叶斯网络学习方法,并结合安全多方计算的概念、协议和常用算法,提出了从同构分布或异构分布的数据中,保护隐私地学习贝叶斯网络的结构和参数,为实现保护隐私的分布式数据挖掘提供了新思路。针对同构完整数据条件下保护隐私的贝叶斯网络学习,提出并实现了PPHC-TPDA方法。该方法使用相关性分析思路进行结构学习,按照有向边安全统计协议,统计各站点得到的结构边;然后取局部互信息算术平均值作为全局的互信息,并应用到学习过程中。实验结果验证了所提方法的性能和效率。针对异构完整数据条件下保护隐私的贝叶斯网络学习,提出并实现了PPVC-SMDL方法。该方法基于MDL算法的连续搜索版本,利用多向量点积份额协议计算多向量点积和结构熵,并将其应用到网络的构建过程中。在学习结构的同时,获得网络参数。与已有方案相比,该方法具有更高的安全性、精确性、适用性和学习效率。针对同构不完整数据条件下保护隐私的贝叶斯网络学习,提出并实现了基于EM算法框架的PPHI-EM方法。该方法交替进行当前候选模型的参数优化迭代和搜索模型的迭代,取局部打分函数值的权和作为全局打分函数值,并应用到网络的学习过程中。该方法能够在搜索结构的同时,最优化网络参数。实验结果验证了所提方法的性能和效率。