贝叶斯网(Bayesian Networks,BN)又称信度网,起源于20世纪80年代中期对不确定性问题的研究,其清晰的语义结构揭示了研究对象的内在统计关系,是复杂联合概率分布的紧凑表示方式,它凭借结构化的自然表述方式,有效的学习能力及方便的推理机制,使其成为人工智能领域的一个重要理论工具。针对贝叶斯网络结构的批量学习算法无法适应初始训练数据集的不完整和模型的动态变化问题,贝叶斯网络结构的增量学习算法成为贝叶斯网络结构学习的研究热点之一。本文研究了贝叶斯网络结构的增量学习算法,所做的主要工作和创新点如下:研究了基于TOCO(Traversal Operators in Correct Order)和RSS(Reduced Search Space)启发函数的贝叶斯网络结构的增量学习算法。TOCO启发函数通过分析爬山算法的搜索路径,做出是否需要更新网络结构的决定。可以使得算法能够在新数据无效的情况下,利用当前网络结构作为初始化的网络结构及时更新网络结构模型。RSS启发函数通过限制参数减少搜索的空间,从而有效改善增量结构学习算法的效率。基于贝叶斯网络的无损分解理论,提出了基于贝叶斯网络结构的无损分解的增量结构学习算法。算法基于联合树的概念和性质,将贝叶斯网络分解为若干子网络,各个子网络既保留了原始网络的依赖关系,又没有增添新的依赖关系,保证了分解过程的无损性。对于减边、逆边、团内加边和团间加边四类网络结构变化,算法在子网络内利用约束最大似然估计确定减边、逆边和团内加边三种结构变化;在子网络之间通过检测独立性及其变化确定团间加边的团对,进而利用评分函数确定团间加边结构变化。最终综合子网内和子网间结构变化完成贝叶斯网络结构的增量优化。该算法的可行性得到了仿真实验结果的验证。