结构方程模型（Structural Equation Modeling,SEM）是发现变量之间关系的一种常用方法,被广泛应用于心理学、经济学等各个领域,利用结构方程模型进行因果推断研究,成为近年来广大学者讨论的热点问题。每个结构方程模型对应的是一个有向无环图（DAG）,其所有的边都是有向边,并且不包含环,可以描述变量之间的因果关系。如果数据来自一个误差项方差相等的线性高斯结构方程模型,就可以通过观测数据的联合高斯分布恢复结构方程模型的结构,也就是进行结构学习。本文讨论了高斯结构方程模型的结构学习。现有的贪婪搜索（GDS）算法在处理高维数据时有很大的困难,计算缓慢并且复杂度高。为了降低算法的计算复杂度,缩短运行时间,我们改进了贪婪搜索算法,提出了一种基于道义图的贪婪搜索算法,称其为算法。首先通过l₁惩罚似然估计高斯图模型协方差逆矩阵的非零项,利用glasso算法得到目标DAG的道义图,该道义图缩小了贪婪搜索过程的搜索范围,应用贪婪搜索算法来移除虚假边,最终得到DAG的估计。本文中通过模拟研究比较了与贪婪等价类算法（GES）、PC算法、贪婪搜索（GDS）算法学习结构的结果,模拟结果显示,新算法大大提高了现有的贪婪搜索（GDS）算法的计算速度,减少了时间,并且结构学习的准确性也有所提升。