因果图理论在不确定性推理,故障诊断等方面成为了一个成熟、重要的方法,并且在实际案例中得到了很好的应用。但随着网络节点的增加,直接给出准确的网络结构变得十分困难,并且从大型复杂系统中观察得到的数据常常含有许多冗余无用的信息,若利用原始的变量集构建因果图网络,最终得到的模型结构复杂,推理难度大。而现有的结构学习算法易陷入局部最优,随着变量节点个数的增加,算法复杂度成指数级增长导致搜索困难,效率低下。因此,对于大型复杂网络进行约简,设计出能有效降低搜索难度、提高搜索效率的因果图结构学习方法是非常有必要的。本文首先针对高维数据的因果图网络结构复杂、学习规模大、计算推理效率低下的问题提出利用粗糙集的属性约简对原始的数据集进行约简,根据约简后得到的最简变量集来构建网络结构和推理诊断。这样有效地降低了网络结构的复杂度,提高了推理诊断的效率。然后针对现有的结构学习方法搜索困难,学习效率偏低的问题,提出一种改进的遗传算法。利用粗糙集理论中的属性依赖度,构造出一个十分接近真实网络的候选网络结构,以候选网络为基础生成初始种群,再利用遗传算法搜索得到最优的因果图网络结构,很好的解决了启发式易陷入局部最优的问题,降低了搜索空间,提升了算法的效率。数据实验表明,该算法不需要假设节点顺序,能以较短的时间获得较优的因果图网络结构,无论是从学习效果还是运行效率方面,都优于传统的遗传算法。最后,将粗糙集的属性约简与改进遗传算法结合起来作为因果图网络结构学习的方法,通过实例数据,利用该方法学习得出因果图网络结构,并以此为基础学习网络参数,对其进行推理诊断。实验结果表明,本文方法简化了模型的复杂程度、提高了学习的效率并保证了结果的准确性。