贝叶斯网络模型是不确定性知识表示和建模领域中最经典、最有效的模型之一。贝叶斯网络自然地将概率论与图论相结合,既能反映出观测数据的内在规律,其图形化的表示方式又具有形象直观的特点,且与神经网络相比为白盒模型,具有良好的可理解性和逻辑性,因此在机器学习、人工智能、生物医疗、故障分析等方面得到了广泛的应用。本文首先对贝叶斯网络模型进行概述,介绍了贝叶斯网络的研究背景及意义、研究历史及现状以及贝叶斯网络的研究前沿。然后按照逻辑的递进顺序详细阐述了信息论的基本知识和贝叶斯网络模型的相关理论,对于贝叶斯网络的学习方法进行了详细介绍,包括两种经典的参数学习方法和两种经典的结构学习方法,并对与贝叶斯网络联系非常紧密的因果关系理论进行了简单介绍。针对连续型随机变量的贝叶斯网络结构学习问题,本文提出了基于条件熵和高斯过程网络的贝叶斯网络结构局部打分法CE-GP,将互信息最大化原则转化为条件熵最小化原则,使用条件熵和高斯过程网络在贝叶斯网络结构学习的过程中为每个节点确定双亲节点集合时进行打分。通过在模拟数据集和酿酒酵母基因数据集上的实验表明,CE-GP打分法能够避免将连续型变量离散化带来的信息丢失,计算简单,准确度高,与本文提出的一种基于阈值的改进K2启发式算法相结合,能够以较小代价获取拟合较优的局部贝叶斯网络结构。针对大规模数据集的贝叶斯网络结构学习问题,本文提出了基于信息论、禁忌搜索和赤池信息准则的贝叶斯网络结构学习算法ITA。首先使用基于信息论的贝叶斯网络降维算法对非目标变量进行筛选,获取与目标变量密切相关的因素,作为贝叶斯网络结构中的节点,然后使用以赤池信息准则作为评分函数,禁忌搜索作为启发式方法的学习算法建立贝叶斯网络模型,以获得全局最优解。通过在SPECT和SIDO数据集上的实验表明,ITA算法能够准确获取领域中的核心因果关系,得到简洁直观的贝叶斯网络,同时具有较低的时间复杂度,是生物医学领域进行大规模不确定性知识表达的一种有效解决方案。