贝叶斯网络（Bayesian network,BN）是目前不确定知识表达和推理领域最有效的理论模型之一,同时在如图像处理、疾病预测等领域得到越来越多的应用。BN结构与预测效果直接相关,学习BN结构也已被证明是NP难问题,因此快速准确的学习BN结构极为重要。启发式搜索算法已被广泛应用在BN结构学习问题中。基于遗传算法（Genetic algorithm,GA）的BN结构学习算法存在搜索时间过长、易陷入局部最优的问题。当数据量较大时,单机算法无法在限定的时间内得到BN结构,同时当各个计算流程相对独立时部分数据的使用效率较低。本文通过对基于GA的BN结构学习算法原理进行研究,对算法在小数据量下收敛速度较慢、易陷入局部最优及大数据量情况下计算时间较长、存在冗余计算等问题进行了针对性研究,提出了一种高效的知识驱动的GA算法,同时进一步结合Spark平台提出了基于GA的全流程分布式BN结构学习算法。本文主要工作如下:（1）针对搜索空间过大所导致搜索时间较长及现有基于GA的BN结构学习算法存在的收敛速度较慢、易陷入局部最优的问题,本研究提出了一种高效的知识驱动GA以解决BN结构学习问题。本文提出的算法使用了一种新的选择算子保持种群多样性,以便学习准确率更高的BN结构,并在此选择算子中引入爬山法的思想以加快收敛速度。为了提高所提算法的局部搜索能力,提出了一种新的知识驱动突变方法,分析精英集中个体所隐含的正确BN结构信息从而引导局部搜索过程。本文在小数据量的情况下,在各类小型、中型、大型、超大型网络上进行实验。实验结果证明了所提算法中各算子的有效性,同时相比传统BN结构学习算法和新型的GA混合算法,本文所提算法在较大网络中的准确率、收敛速度、搜索效果等方面表现出优越的性能。（2）针对在海量数据情况下基于GA的BN结构学习算法执行时间较长、冗余计算较多,同时现有分布式BN结构学习算法的BN结构准确率不高的问题,本研究将混合方式的BN结构学习算法与Spark分布式计算平台结合,提出了一种基于Spark的全流程分布式GA混合算法以解决海量数据情况下的BN结构学习问题。所提算法在构建超结构、评分计算和GA的进化操作三个流程上进行了并行化工作,同时引入Redis对中间数据进行存储以便在评分计算过程中高效复用数据,减少冗余计算时间,加快计算效率。本文在不同模型的海量数据情况下进行实验,实验结果表明所提分布式算法中各个算子的有效性,在结构精度、运行时间等方面相比传统算法和其它新型分布式混合算法表现较优。本文提出的分布式BN结构学习算法为海量数据情况下的BN结构学习方法提供了新思路。