极大数据集是指数据量巨大,以致于计算机内存不能全部容纳的数据集;极小数据集是指由于实验条件和实验代价等限制,导致获得的珍贵数据资源比较少的数据集。本文对极大或极小数据集下的贝叶斯网络学习进行了研究,并提出了相关的解决方案。首先,提出了一种在数据缺失训练集下增量学习贝叶斯网络的有效的算法IBN-M,该算法用结构化的EM算法来补全数据集中缺失的数据,并且能在并行和启发式搜索策略提供的较大的搜索空间里搜索,有效地避免了采用结构化EM算法而导致的局部极值,同时采用了对数据分批次学习的增量学习方法,解决了大规模数据学习存在的内存空间不足的问题,并将IBN-M应用到网络流量预测中去。实验结果表明IBN-M算法在数据缺失下贝叶斯网络的增量学习中确实能够学出相对精确的网络模型,该算法也是对贝叶斯网络增量学习方面的一个必要的补充。其次,建立了一种小规模数据集下学习贝叶斯网络的有效算法FCLBN。FCLBN利用bootstrap方法在给定的小样本数据集上进行重抽样,然后用在抽样后数据集上学到的贝叶斯网络来估计原数据集上的贝叶斯网络的高置信度的特征,并用这些特征来指导在原数据集上的贝叶斯网络搜索。用标准的数据集验证了FCLBN的有效性,并将FCLBN应用到了酵母菌细胞蛋白质分子定位预测问题中去。最后,从极小数据集下的贝叶斯网络学习中受到启发,对大规模数据集下贝叶斯网络的学习过程进行改进,提出了MM-IBN算法。相对于大规模数据集而言,每一批次数据的学习实际上就是一个小规模数据集学习的问题,MM-IBN算法就是将特征置信指导的方法融入到增量学习过程中去。实验验证了这一改进确实使得大规模数据集下贝叶斯网络的学习结果更加精确。