随着互联网技术的迅猛发展,来自各个领域的数据量正在迅速增长,人们越来越多地意识到数据的重要性。如何有效地把数据转化为可以加以利用的知识,是我们面临的挑战。相依关系是变量之间一种常见的关系,但这种关系往往是间接的。分析变量间的相依关系对于我们透过数据感知和理解某个领域内存在的规律具有重要的作用。Pair-Copula贝叶斯网络(PCBNs)模型是一种结合贝叶斯网络结构和Copula函数而得到的新型多元统计模型。该模型可以通过结构推断和相关性分析,由网络结构反映变量之间的相依关系。相较于Vine模型,PCBNs模型所需Pair-Copula数量较少,更加直观简洁。构建Pair-Copula贝叶斯网络模型主要包括结构估计和参数估计两部分。在结构估计中,关键是变量之间条件独立性的检验。检验方法的确定要同时兼顾理论的严谨性和应用的便利性。本文在稳定的PC算法的基础上,提出基于多项式回归残差的条件独立性检验方法,并进行了随机模拟实验。随后对天津市2010年逐时气象数据进行了实证分析。结果表明,该方法可以良好地检验变量间的条件独立关系,使用网络结构体现变量间的相依和独立关系,并结合Pair-Copula得到完整的相依关系推断模型以及相应的联合密度函数。