当前,大数据技术的快速发展,给各个领域带来了海量的数据,而研究这些数据之间的因果关系,进而带来相应的商业、科学研究价值则显得至关重要。当前的人工智能在一定程度上忽略了因果关系而导致动力不足,因果关系的研究可能是实现强AI人工智能的唯一途径。因果关系方向推断则是因果关系研究的热点之一。目前的因果关系方向推断方法通过观测数据来识别变量之间直接的因果影响,但是由于观测到的数据之间可能存在级联结构,变量之间存在间接的非线性的因果影响,使得传统因果推断算法准确率低稳定性较差。基于上述问题,本文论述了因果推断的理论知识和经典的因果推断算法,然后在此基础上,本文做了以下工作:在级联非线性加性噪声模型的基础上,提出了一种基于对抗变分法的因果推断方法（AVCANM）来进行因果方向识别,该方法相较于传统的因果推断方法,能够更好地处理具有级联结构的非线性观测数据的因果方向推断问题。AVCANM算法通过对抗训练,在两个方向上分别优化数据的边缘对数似然的变分下界ELBO（Evidence Lower Bound）,进而确定因果方向。该算法对ELBO的优化是利用对抗策略而非近似公式,对抗策略能允许潜在噪声有更广泛的分布,进一步提升了模型的推断能力。在理论上证明了该算法的可行性,并且通过在模拟数据集和公开数据集上的实验表明,相较于传统的因果发现算法,该方法在识别间接的、非线性的因果关系上具有较好的稳定性。在具有级联结构的高维数据中,本文结合AVCANM算法提出了一种适用于高维级联数据的因果推断算法。首先,通过最大相关性-最小冗余度m RMR方法（minimum-Redundancy-Maximum-Relevance）来判断各个节点之间的依赖关系,确定与目标节点存在依赖关系的节点集,通过判断节点之间的条件独立性,进一步优化节点集数量,得到节点之间的因果骨架无向图结构。最后,利用本文提出的AVCANM算法,判断并识别变量之间是否存在隐变量,并根据隐变量数量,对变量进行的因果方向识别,最终得到完整的因果结构。通过在模拟数据集上的实验表明,在具有级联结构的高维数据中该算法相较于传统算法有较好的表现。