贝叶斯网络是概率论和图论有机融合的概率图形模型,已被广泛应用于人工智能、统计学习、因果识别等领域.如何有效地分析数据中的因果关系进行因果推断是数据分析中的研究热点问题.本文针对贝叶斯网络中的因果推断展开研究,主要工作有:首先,分析了描述贝叶斯网络中独立关系的d-分割和ud-分割的内在关系,得到d-分割是ud-分割的充分不必要条件,给出了d-分割和ud-分割同时成立的条件,利用分层排序可以得到一个贝叶斯网络的拓扑序,而且对于某些特殊的贝叶斯网络可以很方便的得到d-分割和ud-分割集来识别因果效应.其次,研究因果图模型中变量间的因果效应的识别和估计问题,并对前门准则和后门准则之间的关系进行了分析.最后,描述了SGS和PC结构学习算法,对它们的稳定性和复杂性进行了分析.在分析结构学习算法CI和FCI的基础上,通过一个构建的网络说明FCI算法存在缺陷,并对FCI算法进行了改进.