一般贝叶斯网络的构建是首先由相关领域的专家根据事物间的关系来确定出结构模型，即有向无环图，然后再利用其它方法确定每个节点的条件概率，但这样构建的网络模型无法保证其客观性和可靠性．

因此，研究人员尝试引入客观的观测数据，希望通过将观测数据与专家知识相结合来共同构建贝叶斯网络，并进一步在没有专家先验知识的情况下，尝试完全从观测数据中学习得到网络结构和参数．其中网络结构的学习不但是整个学习过程的基础，并且是一个NP难题”“，因此更吸引了大量研究人员的注意

研究人员借鉴统计学领域对多变量联合概率分

布近似分解的方法”…，从多个角度对该问题进行研究，形成了基于独立性检验和基于评价与搜索的两大类算法m-．在一系列假设下，研究人员通过将先验信息与观测数据相结合，实现了多种网络结构模型的学习算法，进而提出了在没有任何先验信息情况下的相应算法．最近的研究开始减弱甚至放弃某些假设，从更一般意义下研究网络结构的学习．因果贝叶斯网络结构模型的学习有时也称为因果发现或因果挖掘这是因为数据的处理所获得的结构模型反映了事物间因果关系的知识．从广义的角度讲，因果数据挖掘可以认为是从数据中发现有关因果性知识的过程．

贝叶斯网络结构学习的发展与展望