作为一类特殊的图模型,贝叶斯网络已逐渐成为不确定性知识表达和推理的重要工具,并成功应用于金融数据分析、机器学习、人工智能以及预测决策等众多领域.在处理实际问题时,首要任务是成功建立网络模型,因此本文在深入研究贝叶斯网络相关理论的基础上,着重研究贝叶斯网络结构的学习机制,提出了一种新的贝叶斯网络结构学习算法.主要工作有:首先探讨了已有的贝叶斯网络结构学习算法,详细分析了它们的学习机制以及各自的优缺点.其次详细地描述和分析了基本的ABC算法和DE算法,基于此提出了学习贝叶斯网络结构的HABC算法.算法结合ABC算法的强探索能力和DE算法的强开发能力,提出了新的蜜源更新策略,并在观察蜂阶段采用自适应的选择策略.HABC算法既加快了收敛速度,又保持了ABC算法强大的全局寻优能力,且自适应的选择策略又保证了种群的多样性.在经典的alarm网络上进行了数值实验,结果表明:HABC算法不仅加快了算法的收敛速度,而且由于其具有跳出局部循环的能力,与其它算法相比算法的精度也有所提高,证明了算法的准确性以及有效性.最后结合SEM算法的思想以及HABC算法的良好性能,提出了基于缺失数据学习贝叶斯网络结构的EHABC算法.算法通过EM程序与HABC搜索程序的相互迭代来实现,并采用一种新的初始最优网络的选择方法,且将上一次迭代的种群作为HABC搜索程序的初始种群进行搜索更新.在经典alarm网络上的仿真实验表明:EHABC算法的精度比EBN算法高,而且与其它已有的大部分算法相比,EHABC算法不仅结果精度高且运行时间短.