统计关系学习,集数据的一阶逻辑或关系表示、不确定性处理和机器学习于一体,其目的是挖掘关系数据中的似然模型。本文对统计关系学习进行了研究,主要研究内容包括:(1)根据似然关系模型的不同,将统计关系学习方法分为四类,并对统计关系学习方法的研究进行了全面的综述;(2)提出了一种基于Bayesian方法的Markov逻辑网的最大伪后验估计参数学习方法;(3)研究了基于关系Markov网的分类方法,并比较了基于Markov网的两个SRL方法——关系Markov网与Markov逻辑网,得出了二者本质相同的结论;(4)给出了背景格的若干性质,并严格证明了背景格的完备性;(6)严格证明了单链接情况下为多agent分配网络资源时纳什均衡的存在性,提出了一个纳什均衡的搜索算法,较以往算法缩小了搜索空间的规模。本文的研究结果对统计关系学习的研究很有理论意义和应用价值。