在数据挖掘领域中,分类是一种非常重要的技术.限制性贝叶斯分类器是在贝叶斯分类器的基础上加上相应的限制条件,解决了学习一个最优化的贝叶斯网络是NP难的问题,限制性贝叶斯分类器一直是分类技术研究领域的热点之一.其中,树形增强朴素贝叶斯分类器是一种典型学习方法,它的结构学习比较简单并且具有良好的分类表现.本文首先介绍分类的概念以及重要技术.其次,叙述了限制性贝叶斯分类器的相关算法,重点分析了朴素贝叶斯分类器、TAN分类器、爬山法分类器和SP分类器的理论基础和分类器结构,并比较各个算法的优缺点.另一方面,由于树形分类器的构造过程中要涉及到生成树的问题,所以随后本文阐述了图的最优生成树的相关算法及其在树形贝叶斯分类器中的可能的应用.在这些研究工作的基础上,本文提出了一种新的构建树形增强朴素贝叶斯分类器的算法DTAN.该算法首先从信息论的角度出发,分析反映属性间依赖关系的方法,介绍互信息的产生原理并且在互信息的基础上提出了一种新的非对称的依赖关系函数.然后利用上述属性间的依赖关系函数构建一个完全有向图,并根据Edmonds算法得到其最大生成树作为DTAN分类器树形结构的雏形.最后本文提出一种启发式搜索算法IP去修正得到的树形结构,详细介绍了这种算法的核心思想,并且计算其时间复杂度.最后,本文新建了两个分类器:只应用新依赖关系函数的MTAN和在MTAN基础上应用IP算法得到的DTAN.在分析实验结果的过程中通过MTAN与标准TAN的比较证明新的依赖关系的可行性,通过DTAN与SP相比得出新的启发式搜索算法的优越性.