数据挖掘(Data Mining)是在应用需求的背景下产生并迅速发展起来的、开发信息资源的一套科学方法、算法及软件工具和环境，是集统计学、人工智能、模式识别、并行计算、机器学习、数据库等技术的一个交叉性的研究领域。DM是识别有效的、新颖的、具有潜在用处的可理解的数据模式的过程。 贝叶斯网络是研究不确定性问题的重要方法之一。它基于概率和统计理论，具有坚实的数学基础。由于具有自然的表达方式、强大的推理能力和方便的决策机制等许多优点，贝叶斯网络在许多领域得到了广泛的应用。本文的主要工作如下： (1)首先对贝叶斯网络理论进行了系统深入的分析和论述。并用一个疾病网络的实例模型对贝叶斯网络的构成及语义进行了详细介绍。总结和归纳出贝叶斯网络与其他方法相比的优势和特点。论述了贝叶斯网络的功能和推理机制，分析和讨论了贝叶斯网络学习的内容和目标，并对贝叶斯网络结构学习中的主要问题进行了深入地剖析。 (2)在分析了条件独立性的有关性质和属性的基础上，推导出条件独立性与概率参数之间的几个推论并给予证明。从条件独立性的角度，给出了贝叶斯网络(BN)的一般性定义。讨论了互信息与条件独立性之间的内在关系，并探讨了BN与条件独立性的关系。 (3)对贝叶斯改进算法进行了比较研究。在对提升算法研究的基础上，提出了一种通过从弱分类器构造强分类器的方法：B-BN。并对算法的正确性进行了证明，从理论上证明了该方法能较好的提高了朴素贝叶斯分类器的性能。