贝叶斯网络（Bayesian Network,BN）作为一种概率图模型,得益于图论和概率论的结合,可以清晰地表现变量间的因果关系,在对不确定关系进行表示和推理中发挥了重要的作用,因此在人工智能、医疗、故障诊断、数据挖掘等领域有着广泛的应用。对BN的建模分为两个部分,结构学习和参数学习,其中结构学习是参数学习乃至对BN进行应用的基础和前提,从数据中对结构进行学习具有重要意义,也是本文的主要研究方向。由于搜索空间随着问题规模的增加而呈现超指数级增长,贝叶斯网络结构学习（BN Structure Learning,BNSL）的任务已被证明是NP-难的,引入智能优化算法是一种解决此类问题的思路,其中遗传算法（Genetic Algorithm,GA）近年来取得了诸多成果,但仍然面临着搜索效率低、准确度不高、与问题的结合不够紧密等问题。本文通过对基于GA的BNSL算法进行研究,通过利用搜索空间中的结构信息对GA的搜索行为进行改进;利用互信息和支持度挖掘种群中的优势信息引导GA进行快速收敛;此外还研究了BNSL算法在食品安全事故成因分析上的应用方法。本文的主要工作如下:（1）针对GA冗余搜索过多导致的搜索效率低下的问题,提出了一种基于结构信息改进的GA用于BNSL。首先利用精英个体的马尔科夫毯来指导交叉算子,通过局部的社会学习来提高算法的收敛速度;在此基础上利用评分等价原理进行有偏好的变异操作,随着算法迭代的停滞次数自适应调整偏好概率,加强了局部搜索能力进而提升了算法的探索性。通过两个算子的结合,算法在探索性和收敛性得到了更好的平衡且均有一定程度的提高。（2）受互信息的原理和在此领域中运用的启发,针对演化算法特有的种群优势,提出了基于互信息引导的GA。首先结合条件独立测试和互信息分别用于限制搜索空间和种群初始化空间,利用随机的个体参数保证种群多样性,提高了初始种群的评分;随后利用互信息和支持度挖掘种群中潜在的优势基因,并用于指导交叉算子中差异边的处理;此外在对无效解的处理上,利用互信息作为环路去除的指导,避免了优势基因在个体修复过程中的误删除。在11个数据集上的实验结果验证了互信息在该领域强大的指导作用,通过结合以上三个改进点的优势,算法最终在收敛速度和所得结构的准确度上均有较大幅度的提升。（3）基于上一项工作提出的混合BNSL算法,设计了一套基于食品样品检测数据的食品安全事故原因分析方法,包括:将检测数据转化为训练数据的预处理及特征工程方法;基于BN模型的事故原因分析及风险预测方法;最后提出了一个有关食用油安全风险的BN数据集。通过以上流程将BNSL算法应用于实际,实现了由结构化检测数据到利用BN进行风险预测的全流程分析方法。综上所述,本文针对基于GA的混合结构学习算法进行了两部分工作,分别从结构信息和互信息角度入手优化了算法的性能和效率;为食品安全事故分析和风险溯源提供了一套基于BN的解决方案;最后提出了一个BNSL数据集,可用于后续的算法研究。