动态贝叶斯网(DBN)作为一种特殊的贝叶斯网络(BN),是贝叶斯网络与时间信息相结合而形成的可处理时序数据的新的随机模型。由于其在描述非线性、随机演化的不确定关系时具有较强的优势,所以对动态贝叶斯网的研究及其应用成为人工智能领域中的一个研究热点。为了进一步提高DBN结构学习算法的效率,本文在研究国内外现有算法的基础上,完成了如下几方面的工作:1)扩展了利用粒子群优化学习贝叶斯网络结构的BN-PSO算法,提出了基于粒子群优化的DBN结构学习算法I-BN-PSO。新算法首先利用条件独立性测试(0阶)确定网络候选的连接图,有效地限制了搜索空间,并利用已获得的互信息作为启发性知识来初始化粒子群;其次,设计了基于MDL评分增益的粒子位置减法算子,使粒子的“飞行”更有效;最后,引入了随机扰动策略,避免了粒子群的“聚集”现象。在标准数据集上的实验表明,新算法大大提高了学习的精度和速度。2)针对基于蚁群优化的贝叶斯网络结构学习算法I-ACOB的不足,融合阈值自调整的可变搜索空间和模拟退火的优化策略,提出了VSMI-ACOB贝叶斯网络结构学习算法。新算法将约束满足的方法和MDL评分搜索的基本思想相融合,在学习过程中利用阈值自调整的0阶条件独立性测试来动态压缩搜索空间,在保证求解质量的同时,加速了搜索过程;然后通过引入基于模拟退火的优化机制,改进了算法的求解质量,提高了局部优化的效率。实验结果验证了两种策略的有效性,与最新的同类算法相比,新算法在保持较快收敛速度的前提下,具有更好的求解质量。3)结合动态贝叶斯转移网络的特点,将VSMI-ACOB扩展到动态贝叶斯网络,提出了基于蚁群优化的分步构建转移网络的结构学习算法。算法将转移网络的结构学习分为时间片之间的结构学习和时间片内的结构学习两个步骤进行,并再次改进优化策略,减少了无效优化的次数。标准数据集下大量实验结果表明:新算法能够更有效地处理大规模数据,且学习精度和速度有较大改进。