贝叶斯网络是以概率论和图论为基础,用概率来表示所有形式的不确定性,现已成为进行不确定性推理和数据挖掘的有效工具。目前,贝叶斯网络已广泛应用于多个前沿研究领域,然而对于复杂的动态系统,由专家根据领域知识直接构造贝叶斯网络显然不切实际。因此,如何从样本数据集中学习得到动态贝叶斯网络结构成为该领域的研究热点和难点。在各种各样的贝叶斯网络结构学习方法中,混合优化算法因策略选择灵活、组成方法多样、兼具基于约束和基于评分搜索两大类结构学习算法的长处而引起研究者的重视。本文从目前结构学习中群智能学习算法所存在的不足入手,提出了一些混合优化方法和改进措施,以提升结构学习算法的性能。主要工作包括以下方面:1.对贝叶斯网络及其结构学习的基本知识和研究现状进行了总结和梳理,并结合具体算法进行相对应结构学习方法的阐述分析,特别是动态贝叶斯网络的定义表示以及当前的结构学习研究情况;2.提出了基于互信息和二进制粒子群优化的MI-BPSO算法。该算法是针对当前群智能学习算法的初始搜索起点具有随机性、离散情况下搜索效果差等缺点,分别从初步网络结构的构造、初始粒子群的产生和二进制粒子群算法的改进策略三个方面对基本粒子群算法进行了改进。实验表明三种改进策略的混合应用有效地提高了算法的学习效率和质量,特别是互信息方法大大降低动态网络中转移网络的结构学习计算量;3.在MI-BPSO算法的基础上,提出了改进MIC-BPSO算法。该算法从初步网络构建方法和粒子群算法中最优值更新策略两个方面对MI-BPSO算法进行改进优化:采用最大信息系数替代互信息方法进行初始无向图构建,提高初步网络结构质量;利用评分函数的分解性,将BPSO算法中个体最优值和群体最优值的更新粒度细化到父子节点集合层级,提高算法的学习质量和学习效率。实验表明新算法在静态和动态网络的结构学习中,学习质量和时间效率均有较大提升。