从网络环境的海量数据中获取决策支持信息是信息时代研究的热点。如何高效准确的获得决策支持信息的方法是研究工作的核心。贝叶斯网络(BN)、图论与统计学三者相结合可以得到一种在表示因果信息方面非常有优势的方法，其善于挖掘数据之间的内在关系和处理随机变量间的不确定性，尤其在决策支持系统方面的研究具有非常有意义。本文以BN为理论工具，针对复杂环境下的决策支持问题，结合多agent群决策支持系统，研究讨论基于BN的学习与决策方法，从贝叶斯网络学习和基于BN的多agent群决策支持系统两个方面开展以下研究工作:(1)得出一种改进的贝叶斯网络结构学习算法。通过学习BN的建模流程以及从数据中学习BN结构，讨论分析K2和MCMC算法，集中这两种算法的优点，再引入模型平均的思路得出了这个新的算法，并且模拟仿真得出该算法不受无先验知识和初始结构的约束，收敛速度快，得到的结构正确稳定，显示的节点间的依存关系正确。由此可得该算法在科学决策方面有很高的应用价值，能够应用到数据庞大的领域进行相关决策分析。(2)提出了基于BN的多agent决策支持系统中协商交互流程。通过讨论分析BN和agent在决策支持系统中的优势，学习基于BN的单个agent的设计，掌握了其理论模型、模型结构和其学习过程；研究学习了面向决策任务的agents组织过程建模流程和多agent群决策支持系统的组织结构;结合给定的多agent的协商模型，得到了的协商交互流程，并通过事例进行验证说明。本文基于BN的多agent决策支持系统能有效的协作，能够做出科学有效地决策。通过事例分析验证了方法的可行性。