分类问题一直是数据挖掘中的重点,有序分类是一种特殊的分类,其类别之间存在顺序关系。当前关于有序分类的研究主要集中在对支持向量机、神经网络、决策树等算法的改进中,但是这些算法无法进行知识表达,即不能识别影响分类的关键特征。在知识表达方面,贝叶斯网络具有优势,它可以通过图形化的方式直观表示出和类别相关的特征。但是当前关于有序分类的贝叶斯网络算法的研究甚少,已有的Halbersberg算法虽然可以利用信息测度（Information Measure,IM）度量误分类程度,却并不是为有序分类设计的,且该算法随机选择初始网络,会影响分类器的性能。针对当前分类算法在有序分类方面的不足,本文旨在提出基于贝叶斯网络的有序分类算法。具体的,针对有序分类和有序单调分类这两种分类问题分别设计贝叶斯网络分类算法。对于只考虑类别间有顺序关系的有序分类问题,本文对Halbersberg算法进行改进,利用互信息构造初始网络,提出了面向有序分类问题的贝叶斯网络算法。对于有序单调分类问题,在信息熵理论的基础上定义一种新的度量——有序信息熵理论,包括有序信息熵、有序联合熵、有序条件熵、有序互信息和有序条件互信息。其中,有序互信息可以用来度量变量之间的单调性,因而本研究将有序互信息引入贝叶斯网络用于构造初始网络,提出了面向有序单调分类的贝叶斯网络算法。模拟研究表明,和其他有序分类器相比,本文提出的分类算法具有更高的分类性能。有序贝叶斯网络分类算法在各评估指标上的性能一致最优,有序单调贝叶斯网络分类算法在多数指标上表现较优。从肥胖数据集、肝硬化数据集和抑郁数据集上的实证分析来看,我们不仅能得到有效的分类器,由于贝叶斯网络有知识表达的优点,还能从得到的贝叶斯网络识别出影响分类的主要因素。