信息大爆炸时代产生的庞大数据资源已经成为重要的生产因素,从海量数据中挖掘因果关系能创造出巨大的科学价值和经济价值,因此,如何高效的探索这些数据中蕴含得因果关系便成为人工智能领域的热点研究之一。尽管科学家们已经在这一研究领域取得了很大进展,提供了相当多的学习因果关系的有效方法,但是在高维数据上的因果网络模型学习仍然存在着巨大的挑战,其中一个长期存在且十分关键的挑战是:现有因果关系检测方法可能会错误地将间接因果关系识别为直接因果关系,也可能通过网络中的其他节点将直接关系标识为间接关系。为此,本文提出MEBN算法,该算法首先利用最大最小启发式,通过两阶段的条件独立性测试确定变量的候选父子变量集,从而得到因果网络的无向骨架图;再利用贪婪爬山搜索来定向边;最后通过对变量间的因果效应进行定量分析,来达到消除直接或者间接因果影响,学习到更加正确的因果网络的目的。其核心思想是利用logistic回归模型计算各变量间的因果效应,以检测复杂因果网络中的直接和间接因果关系。该方法解决了现有因果网络学习方法长期存在的关键问题:将间接因果影响误认为直接因果影响。由于其有效的消除间接因果关系的能力,这种方法可以成为构建因果贝叶斯网络的有力工具。本文将MEBN算法应用于心血管疾病及其影响因素间因果关系研究,通过因果网络模型推断患者死亡风险,为筛查高危人群,预防和治疗疾病提供科学合理的参考依据。本文以WHO MONICA数据集为例,先对数据进行预处理,再使用MEBN算法构建因果贝叶斯网络模型,分析心血管疾病风险因素间的因果关系,用贝叶斯估计法学习网络各节点的条件概率从而预测患者的生存情况,并比较因果网络模型相对于logistic回归模型在慢性病领域中应用的优缺点。因果网络模型结果显示:住院状态、确诊时的年龄和心绞痛状态是心血管死亡的直接原因,既往心肌梗死、性别和吸烟通过其他变量对心血管死亡产生间接影响。对于logistic回归模型,基于MEBN算法的因果网络能够直观有效的识别和定义生存结果和心血管疾病以及心血管疾病相互之间复杂的因果关系,在临床研究中更具适用性。通过分析这种关系,我们能够及时的有针对性的实施预防和治疗措施,并避免高危人群中可能的死亡结果。