数据挖掘主要研究海量数据分析的理论与方法。在零售，军事，商业智能，金融等众多领域，数据挖掘正在得到广泛的应用。贝叶斯网络作为一种基于概率来描述不确定性关系的网络，提供了一种表示因果关系的模型。在人工智能研究领域，贝叶斯网络是处理不确定性关系的一种重要方法。同样，贝叶斯网络理论也可以作为数据挖掘技术的一种重要理论工具。目前，贝叶斯网络理论在医疗诊断，风险评估，统计决策等多个领域中发挥着重要作用。本文首先简要介绍了数据挖掘的定义，任务，功能和基本方法，以及数据挖掘的一般过程，随后阐述了贝叶斯网络的定义和构造的一般过程。作为贝叶斯网络构造的重要内容，经典网络搜索算法和网络质量衡量标准在本文中也得到了详细的分析与总结。另一方面，在介绍数据挖掘平台Weka的基础之上，本文重点剖析了其中与贝叶斯网络相关Java类的相互关系和主要功能。基于这些理论与技术，本文提出了一种贝叶斯网络组合建网算法。该算法以一组经典算法所建成的网络为依据，对各个节点可能的双亲重新组合，并利用具有良好性质的网络质量衡量标准MDL来衡量所建立网络的质量。本文也将组合算法以及该算法所基于的经典算法应用到多个数据集上。实验结果表明此算法在一些数据集上的结果优于其它算法，在大部分数据集上不亚于其它算法。最后，本文将组合算法应用到基金数据分析的领域，对相关的步骤，包括问题定义，变量选择，数据搜集和处理，以及实际建网等都进行了详细的论述。实际结果表明，本算法所建立的贝叶斯网络能够描述基金数据变量之间的相互依赖关系，对基金从业人员进行投资分析具有一定的参考价值。