本文对数据缺失和网络结构未知情况下学习贝叶斯网问题进行了相关研究,并提出了几个有趣有效的解决方案。首先,利用并行策略下的PACOB算法提供良好候选网络结构,并借此构造新的SGS-PACOB和SEM-PACOB算法。实验数据显示,在良好候选网络结构支持下,两算法学习到的贝叶斯网质量有质的提高。其次,建立了一种行之有效的改进SEM算法( DSEM-PACOB算法)。该算法,在估计结点变量缺失值时,不再像SEM算法一样,依赖于当前最优网络所有可能参与决策的结点变量,而是从当前最优网络中采用合理策略选择与待估结点变量紧密相关的若干结点变量集合直接参与估计。实验证明,DSEM-PACOB算法较之先前的SEM类似算法,不仅在最终学习到的贝叶斯网的质量上有质的提高,而且在算法的稳定性上也有较大改进。再次,基于SEM-PACOB和DSEM-PACOB等相关算法,选择具有代表性的网络作为初始网络,并对初始网络在数据缺失情况下学习贝叶斯网整个过程中所扮演的角色进行了实验性的探讨。充分实验数据显示,初始网络对整个算法的收敛速度有很大影响,而且在训练数据集规模不充分和缺失率较高时,选择与训练数据集相关性越高的初始网络,算法越能得到较好结果。最后,提出了混合启发的思想,并具体建立了一种混合启发方法: DSEM-GS-PACOB算法。它巧妙地利用ACO算法的优良特性,把DSEM-PACOB和SGS-PACOB算法通过相应数据补全策略得到的两种统计因子联合起来作为其本身PACOB算法的启发因子。实验证明, DSEM-GS-PACOB算法充分保留DSEM-PACOB和SGS-PACOB算法两者的优点,促使算法能够平稳地收敛到理想结果。相对于只具有单一数据补全策略的算法,该算法不仅在度量数据拟合程度的Logloss值上保持稳定,而且在学习到的贝叶斯网络结构上也有所改进。