贝叶斯网是一种描述随机变量间依赖关系、并能紧凑高效的表示联合概率分布的概率图模型，目前已成为人工智能领域中处理不确定性问题的重要工具。贝叶斯网学习是贝叶斯网研究中的热点，虽然很多学者提出了多种算法，取得了很多成果，但还存在一些未能很好解决的问题。本文对贝叶斯网学习及其在信息融合应用中的若干问题开展研究，主要研究结果包括：(1)提出基于混沌双种群进化策略的贝叶斯网增量学习方法，设计了贝叶斯网的编码方式、适应度函数、进化操作。在保证局部搜索能力的同时，引入混沌理论，利用混沌序列的随机性和遍历性提高算法的全局搜索能力，更好的保持个体的多样性，具有更强的跳出局部最优解的能力。且该算法不需要存储已有的旧数据，具有较低的空间复杂度。(2)提出一种基于评分搜索的贝叶斯网结构和参数自适应增量学习方法，首先提出一种新的评分函数，使得学习算法可以随增量数据对其每个局部子结构自适应地调整学习策略，与传统方法相比具有更大的灵活性和自适应性。然后针对该适应度函数，提出一种贝叶斯网参数的增量学习方法，该方法可以适用于结构不断变化的情况，弥补了已有方法往往假定结构不变的不足。改进了Gamez等提出的用于贝叶斯网结构学习的快速爬山算法，提高了搜索效率。(3)将蜜蜂进化的思想引入进化策略，提出一种基于蜜蜂进化方式的多种群进化策略，并将其应用于贝叶斯网结构学习。在进化过程中存在三个种群：精英种群、随机种群、平衡种群。该算法兼顾了局部搜索与全局搜索，具有较好的开采能力和探索能力。实验结果表明该算法优于传统的基于遗传算法的贝叶斯网学习方法，且同时适合于完备和不完备数据情况下的贝叶斯网学习。(4)提出一种基于贝叶斯网的选择性增量式信息融合方法，采用贝叶斯网来表示待融合信息与融合结果的相互关系，采用决策结点（表示融合结果）在贝叶斯网中的马尔科夫覆盖（该结点的父结点、子结点和子结点的父结点）所包含的待融合结点集合作为与决策最相关的待融合信息集，并基于此信息进行融合。该方法无需贝叶斯网推理运算，具有较高的效率。此外，基于增量学习策略对融合模型进行动态更新，比已有的基于动态贝叶斯网的方法具有更强的变化能力，而且将传感器信息选择、融合、决策实现在一个统一的框架下，实验结果表明该方法优于传统方法。此外，我们将该方法应用于农业病虫害诊断领域，取得了较好的效果。