数据挖掘已经成为现在研究的重点,在观测数据集充实的条件下,因果网络图直接地展示出了数据中相应的因果关系。但是,当所有节点之间的因果关系的充分状态得不到满足时,现有的算法就无法准确的构建出因果网络图。在现实生活中,人们没有必要掌握数据中所有节点的因果关系,寻找一些他们想要了解的因果关系更具理论性和实用性。而且,随着文档数量的快速增长,如何直观地表达众多文档中所包含的知识变得非常重要。因此,本文的主要研究内容如下:（1）针对当前主流关联规则挖掘算法在挖掘规则时,不能准确地挖掘出观测数据中的关联规则,并且在挖掘的规则中无法正确的将关联关系和因果关系区分开。因此,提出了一种基于兴趣度的因果关联关系挖掘算法（CIM-Apriori）。该算法在当前主流算法的基础上对兴趣度进行了改进,通过利用改进的兴趣度公式计算出项集之间的信息熵,然后利用信息熵进行观测数据之间规则的裁剪。可以在海量数据中更加准确地挖掘出事物之间的因果关联关系。（2）针对当前主流马尔可夫毯发现算法在提取目标节点的马尔可夫毯时,必须保证观测数据中每个节点之间的因果关系充分,但是在现实社会中我们所提取到的观测数据并不能够保证充分的因果关系。因此,提出了一种发现潜在变量的马尔可夫毯学习方法（MLV-MB）。该方法可以在含有隐性节点的观测数据中更加准确的提取出目标节点的马尔可夫毯。最后利用因果互信息和非对称信息熵选取合适的节点对局部网络结构进行扰动学习,从而获得最终的局部因果贝叶斯网络。（3）本文运用文献计量学方法从新发表的新型冠状病毒肺炎相关的论文中进行关键词的提取,对提取的关键词进行筛选并构建最终的局部因果贝叶斯网络。通过对比分析,进一步验证了构建的局部因果贝叶斯网络的准确性,并且为在文献计量学的基础上提取重要因果关联关系提供了新思路。首先对本文提出的算法依次在公共数据集上进行实验,在相同环境下,本文提出的CIM-Apriori算法可以更加准确地提取出事物之间的因果关联规则;MLV-MB算法使得马尔可夫毯提取的准确率、召回率、F1值都有提升,并且减少了扰动次数。最后利用本文提出的算法构建新型冠状病毒肺炎的局部因果贝叶斯网络,可以准确地展示出与新型冠状病毒肺炎相关的因果知识。