大数据时代的到来,催促着我们对数据有了新的认识,通过数据的不断积累,我们可以做的事情越来越多,数据挖掘的重要性尤其突出。贝叶斯分类作为数据挖掘的一个重要方向,以其简单高效性在当今数据处理方面高速发展着。从海量数据中快速高效的获取需要的数据,成为我们共同的追求。目前,贝叶斯分类在重多领域获得了广泛的应用,并且成为人工智能方向的研究热点。朴素贝叶斯分类器在数据挖掘中的成功运用和流行,激励着我们从探索减轻属性间独立性假设方面去做分类准确性的研究。这类算法的研究大致被分为以下几类:对传统的分类方法中的属性分拆成子集再次利用朴素贝叶斯分类算法、允许属性之间相互依赖关系来改进朴素贝叶斯的分类算法、对属性进行选择的分类算法、利用概率估计去校准朴素贝叶斯分类的算法和引入隐藏变量去改进的分类算法。本文对现有的一些改进算法进行了剖析,并提出基于贪婪选择算法改进的贝叶斯分类器和完全贝叶斯分类器。贪婪选择算法是寻找最优解的常用算法,本文将其运用于改进朴素贝叶斯分类器过程中寻找属性的最佳分组;完全贝叶斯分类器以贝叶斯理论为基础,通过对未知参数设置先验分布,在参数的推断过程中合理考虑其它参数的不确定性方面改进分类器。在以上两种方法改进的基础上,通过不同原则去划分属性分组以及合理设定分类过程中的参数,在大量的数据集分类预测过程中,取得了不错的效果。文中将改进的分类算法应用于国家宏观经济数据分类、企业经营风险和企业财务风险的分类预测中,通过分类实验和应用数据,证明这两方面的改进是合理有效的。