贝叶斯网是图形表示和概率知识的有机结合,它揭示了领域对象的内在联系,是复杂全概率分布的紧凑表达方式。其坚实的理论基础,知识结构的自然表述,灵活的推理能力以及方便的决策机制使其应用范围越来越广泛。通常具有少数节点的网络由专家构建是准确和高效的,但是当节点规模大幅度增加时,由专家构建网络是既费时又费力的,而实践中一般难以获取大量的数据,即使拥有足够的数据,但没有领域知识的指导,学习算法也难以收敛到正确的网络结构和网络参数。鉴于此,本文尝试在贝叶斯网络学习算法中引入领域知识,以提高算法的学习精度和执行效率。本文的主要内容如下:(1)贝叶斯网络的概述。全面介绍和分析了贝叶斯网络的研究背景、研究现状和研究趋势;贝叶斯网络的基本原理:贝叶斯网络的典型学习算法。(2)EM算法是动态贝叶斯网络参数学习的一种主要方法,收敛速度慢,算法执行效率低是其主要缺点。本文通过将大规模时序数据集划分为较小的数据块,并通过块间的循环迭代,增量式地更新似然函数和网络参数,对传统的EM算法进行了改进。实验表明改进的DA-EM算法在保证结果精度的前提下,在时间性能上有较大的提高。(3)SEM算法虽可用于具有缺省数据的贝叶斯网络结构的学习,却需要用大的训练样本集来改善算法本身存在的一些缺陷,如:学习精度不够高、算法收敛速度慢和容易陷入局部最优。而现实中,很难搜集到足够多的训练样本。本文提出结构学习改进算法KB-SEM,将专家知识以禁忌表的形式融入SEM算法中,以约束算法的搜索空间,达到提高SEM算法精度的目的。实验表明,KB-SEM算法能够显著提高SEM算法的执行效率,并在一定程度上改善算法的时间性能,克服算法的局部最优,避免主观偏见和数据噪音给学习结果带来的片面性,产生一个对专家有高接受度的网络。