利用数据发现结构模型中的因果关系是机器学习领域中的一个重要研究内容。当前的结构模型因果发现主要有两类,一种是直接利用观察数据的被动学习方法,另一种是结合观察数据和扰动数据的扰动学习方法。基于这两类方法,引入灵敏性分析理论,研究了因果结构模型的因果结构和参数的特性,并利用实验验证的因果结构模型特性分析的有效性。本文的内容可以分为以下几个部分:(1)简要介绍了贝叶斯网络的结构学习和参数学习、贝叶斯网络的扰动学习和灵敏性分析等因果学习方法和技术的研究现状。(2)针对扰动学习中的扰动结点难以确定的问题,提出了一种基于参数灵敏性分析的扰动结点扰动选择的因果网络扰动学习算法(Intervention Learning of Parameter Sensitivity Analysis–ILPSA)。ILPSA算法对于给定的先验网络,通过局部网络参数的灵敏性分析扰动选取灵敏性结点作为扰动结点,进而对扰动结点的扰动干扰产生扰动数据,然后联合观察数据和扰动数据利用最大似然估计的方法(MLE)进行因果网络的学习,利用KL-divergence对学习的结果进行评价。实验结果表明ILPSA算法在样本很小的情况下,学习到的结果明显好于随机选择扰动结点和被动MLE学习的方法。(3)由于利用观察数据不能够有效地学习到因果结构,需要通过外部的扰动进一步收集关于因果结构的信息。提出了一种基于局部灵敏性分析的主动选择扰动边的因果结构扰动学习算法( Intervention Learning of Local Sensitivity Analysis–ILLSA),首先从观察数据中学习到初始结构,利用联合树构建算法对这个初始结构进行三角化,分解成团的形式,然后利用灵敏性分析方法对每个团中边的重要性进行分析,将团中重要的无向边作为扰动边,然后对所选择边进行扰动以确定边的方向。与被动学习、随机选取扰动边的学习方法进行了比较,学习的结果要明显好于这几种方法。