在人工智能领域，不确定性知识的推理和决策一直是一个重要的研究问题。贝叶斯网络(Bayesian Network，BN)正是对不确定性问题模拟和推理的一种有效工具。它具有坚实的理论基础、语义清晰的网络结构、灵活的推理能力、方便的决策机制及有效的学习机制等特点。贝叶斯网络学习包括网络的结构学习和参数学习。网络参数学习是在网络结构确定的情况下通过数据集进行的，难度相对小些。通过数据集的学习得到合理的网络结构是相当困难的，而且随着网络结点个数的增加网络结构空间的规模呈指数增长。已经证明，大型贝叶斯网络的结构学习是NP难题。因此，研究有效的网络结构学习算法对于构造贝叶斯网络具有十分重要的意义。本文对贝叶斯网络结构学习进行了较深入研究，所作的主要工作如下：首先，提出基于量子遗传算法的贝叶斯网络结构学习方法。相对于常规算法，量子遗传算法最大的优势在于将串行运算变为并行运算。它以量子计算理论为基础，用量子比特编码表示染色体，通过量子门操作来完成进化，具有种群规模小而不影响算法性能、染色体状态丰富、收敛速度快和全局寻优能力强等特点。将量子遗传算法用于贝叶斯网(BN)的结构学习，对贝叶斯网络结构进行量子编码得到染色体，通过量子变异操作使其作为一个完备的独立解空间进行演化，可快速搜索到全局最优的网络结构。其次，混沌具有遍历性、随机性和规律性，以及它对初值变化具有强烈的敏感性。通过调节变异调整系数使生成的点在上一代最优点的附近随机摆动，避免了随机漫游现象。每代仅保留上一代的最优个体，其它个体重新生成，在最优点附近利用混沌变量的遍历性进行局部寻优，提高了结构学习的效率。最后，由于量子遗传算法主要是通过量子门旋转来寻优的，其中旋转角的大小直接影响优化的结果，所以本文提出用模糊算法控制量子门的旋转角以进一步提高贝叶斯网络结构学习的收敛速度和结果精度。实验结果表明，将量子遗传算法和改进的量子遗传算法用于贝叶斯网络结构学习，可得到较好的网络结构和较高的学习效率。