数据挖掘的目的是通过运用特定的算法,从大量数据中发现有用的规则和模式,并用于描述和预测。贝叶斯网络是一种描述变量间概率依赖关系的有向无环图,它提供了一种自然的表示因果信息的方法,是目前不确定知识表达和推理领域有效的理论模型之一,常被用于进行数据挖掘的分类任务。在贝叶斯网络结构学习中,如何优化现有的网络结构搜索算法,进而构造更优的贝叶斯网络,从而提高其应用在数据挖掘分类上的性能,是研究的热点之一。本文对贝叶斯网络的优化所进行的研究工作主要包括以下几个方面:(1)简述了贝叶斯网络的起源、发展,并详细介绍了贝叶斯网络的国内外研究成果以及当前的热点研究方向。(2)对贝叶斯网络的主要研究方向进行了分析和探讨,包括网络的表示及特征、结构学习、参数学习及推理的原理和方法,重点针对网络的结构学习,分析和比较了基于评分和基于条件独立性测试的方法的原理和特性,并分别列举了一些典型的算法及其主要特征。(3)针对基于评分的结构学习方法中的搜索算法进行了研究和探讨,介绍了常用的不同启发式搜索算法的原理和流程,分析了算法各自的优缺点,并介绍了遗传算法用于网络结构搜索的原理和具体实现过程,分析了此算法存在的缺陷。(4)提出了一种基于模拟退火的遗传搜索算法——SA-GS搜索算法,该算法在遗传搜索中引入了模拟退火的思想,在每一次的遗传搜索结束后进行降温,然后在新的温度下再次进行遗传搜索,直至达到终止温度,并在每一次由子群体生成新一代父种群的过程中,以一定的概率来接受评分较差的网络结构。(5)为验证SA-GS搜索算法的性能,通过NetBeans对算法进行了编码实现,并在Weka实验环境中,通过其自带的4个数据集来对使用不同搜索算法构建的贝叶斯网络的分类性能进行了测试和比较。实验结果表明,SA-GS搜索算法能够比遗传搜索多出1到2个正确分类的实例,从而提升了遗传搜索的性能,但随着属性数目的增加,如何提高算法的运行效率,仍需进一步的研究和改进。