特征选择方法在数据分析与降维中发挥着重要的作用。目前很多特征选择方法存在着一些共性问题,如大量的参数调节、运行时间长、特征的预测效果差等,如何开发出一种适合实际环境使用、减少人为干预的高性能特征选择方法目前仍是一个挑战。另一方面,特征选择与因果发现领域的贝叶斯网络结构学习理论存在着很多重要的联系。目前大多数因果学习算法存在着时间复杂度高,精度差的缺点,此外它们在流特征环境、连续型数据与非线性与弱加性噪声数据的复杂情况下均无法使用。本文研究了相关的特征选择方法与贝叶斯网络增量学习方法,分别对以上存在的问题并进行分析并解决,具体工作如下:首先,我们将最大相关最小冗余准则与具体的分类器结合,提出一种“封装式”的特征选择方法FEFS,该方法依次为每个特征计算评分,然后再通过分类器计算并判断这些特征是否能有效提高模型精度,从而决定是否选择该特征。该算法将特征选择过程与预测过程同步进行,有效地减少了算法参数的调节过程,能够使得模型在选择最少特征的情况下达到最好的效果。其次,我们基于FEFS算法设计出一种应用在肺结节语义特征预测领域的计算机辅助诊断系统（CAD）。该系统使用肺结节CT图像中的数字特征,通过快速的特征评分计算与分类器搜索,有效的剔除了大量无效的图像特征,通过模型训练最终输出对医师具有重要指导作用的肺结节语义特征等级。实验表明,所提出的方法在具有较好性能表现。然后,基于对数似然函数,我们重新定义了相关特征和冗余特征,从因果图结构的角度提出了一种比较的方法来识别目标节点的候选邻居节点。基于该识别方法,我们提出了一种从非线性弱加性噪声数据中学习因果结构的算法NLCDSF,该算法作为一种贝叶斯网络结构增量学习方法,它在线分析特征之间的关系,以比较的方法快速识别目标节点的候选邻居,并有效缩小后续定向过程的搜索范围。在模拟数据集上的实验表明,所提出的算法在精度与时间上均具有较强的优势。最后,为了表明NLCDSF算法在真实数据中的效果,我们将该算法应用在某发电厂的设备监测数据中,通过将NLCDSF与长短期记忆网络结合,开发出一套完整的设备检测系统。设备监测数据在线输入系统中,使用NLCDSF算法学习各个监测点之间的因果网络图,将目标测点的马尔科夫等价类作为LSTM的输入,预测目标测点在将来一段时间内的波动趋势,以供技术人员分析与排查设备故障。实验表明所提出的算法在实际生产环境中具有较好的效果。