本项目对条件独立结构的分解与学习问题进行了系统的研究，取得了一系列成果。首先，针对二项模型的精确检验问题，在样本量远大于分布的第一个参数m时，通过数据重表示和利用相应多项模型的极小马尔科夫基，我们提出了一种提高DS算法效率的方法。实际数据分析和模拟都表明我们的方法是有效的。其次，在图结构的统计学习中，忠实性是一个重要的概念。对任一无向图，我们证明了存在一个忠实的正的二值的多元全正二序分布，并将这个结果推广到了无向图与给定离散样本空间下的正的多元全正二序分布情形。接下来，在不平衡数据的分类中，我们提出了一种新的模糊规则，改进了分类的精度。最后，我们研究了离散马尔科夫网络和贝叶斯网络诱导的概念类的复杂性。对非平凡的离散马尔科夫网络，我们证明了它相应的VC 维数，欧氏嵌入维数，环面理想维数是相等的，这是直接计算概念类的 VC 维数的理论基础。对一般离散贝叶斯网络，我们给出了欧氏嵌入维数的一个上界。在本项目执行期间，项目组成员共发表 8 篇 SCI 论文，录用 1 篇 SCI 论文。有2篇论文已投往 SCI 杂志，还有部分结果正在整理中。培养硕士生 6 名，博士生1名。