作为机器学习领域的重要分支,分类问题旨在训练阶段根据有标签的训练集训练一个模型,在分类阶段用该模型为无标签样本分配一个类标签。目前,在实际应用中广泛使用的有监督分类器有很多,贝叶斯网络分类器（Bayesian network classifier,BNC）由于其模型可解释性和优异的分类性能广为流行。朴素贝叶斯（Naive Bayes,NB）由于假设特征间互相独立,成为了最简单高效的BNC之一。NB的成功吸引了研究者的广泛关注。然而NB特征间的独立性假设在实际情况中通常不成立,因此放松独立假设、扩展依赖表示的BNC成为了NB的改进方向之一,其中比较成功的算法如,树增广朴素贝叶斯（Tree-Augmented Naive Bayes,TAN）和k阶依赖贝叶斯分类器（kDependence Bayesian Classifier,KDB）等。此外,对NB进行属性选择和进行属性加权也是比较流行的改进方向。在依赖扩展方法中,需要有选择的向网络结构添加属性间依赖关系,使网络结构能够表达更多的条件依赖。虽然能够有效地提高分类性能,但是也大大增加了算法的复杂度,这也是单模型方法在增加性能上不可避免的问题。多模型集成的BNC很好的解决了这个问题,同时不同的子模型可能适用于不同情况,极大的增加了模型的适应性。集成方法的灵活性和子模型的可调整,使得集成BNC方法成为了广受欢迎的方法。本文主要提出了以下方法对BNC进行了改进:1.在模型构建和依赖扩展中,研究人员更多关注的是识别条件依赖而不是条件独立性,而信息论的标准无法识别不同实例的条件依赖的多样性。因此文中引入最大相关准则和最小依赖准则,分别进行属性排序和条件独立性识别。接着提出了从未标记数据获取信息的方法从而构建了伪训练集,并且算法分别在训练集和扩展的伪训练集上获得模型。通过两个模型的集成使得算法对不同实例具有一定的适应性。2.平均一阶依赖估计器（AODE）中所有SPODE（super-parent one-dependence estimator）都具有相同的权值,但是不同SPODE的分类精度可能有很大差别。为了解决这一问题,模型加权法是一种有效的方法,它将不同的权值分配给不同的SPODE,然后将它们的概率估计进行线性组合。大多数信息论加权方法,包括互信息、Kullback-Leibler散度和信息增益,都强调超父节点和类变量之间的相关性,而不去关心其它节点。因此,文中引入多变量互信息来度量有向无环子图中各个变量的相关性。在此前提下,本文引入了一种新的加权AODE算法,即自适应加权的一阶依赖估计器（AWODE）,其权重可以根据实例变化,放松了条件独立假设,并使学习到的概率分布适应不同实例。为了验证提出的算法性能,本文在0-1损失、偏差和方差等实验方法上进行了广泛实验。根据从UCI随机选取的数据集实验结果来看,本文提出的算法对比经典的BNC具有普遍优势,算法的有效性得到了验证。