贝叶斯网是描述随机变量间关系的一种模型,它以有向无圈图(DAG)表示随机变量的条件独立关系,以条件概率表示随机变量依赖关系的强度。目前,贝叶斯网被广泛地应用于因果推断、机器学习、心理学等领域。研究贝叶斯网的非常重要的问题之一是结构学习,也就是从观测数据出发探求变量间的条件独立关系。本文基于自助法给出高斯贝叶斯网的结构学习算法。该算法第一步,先得到B个Bootstrap样本;第二步,利用结构学习算法得到B个DAG,并求得B个DAG对应贝叶斯网的极大似然估计;第三步,搜索一个DAG,使其对应的贝叶斯网的极大似然估计,与B个极大似然估计平均的惩罚Kullback-Leibler(KL)距离最近。其中在第三步,我们以B个DAG中出现的边作为候选边搜索DAG,这样可以大大提高搜索的速度。本文通过模拟实验发现,自助法可以大大提高结构学习的效果。我们与PC算法、GES算法、GDS算法、GDSM算法进行了比较分析,模拟结果显示自助法表现最好。我们分析了39个基因的表达数据,探索了基因之间的关系。