شبکه بیز کاربرد زیادی در بسیاری از مسائل دارد و یادگیری ساختار آن مهمترین بخش آن میباشد. برای یادگیری شبکه بیز الگوریتمهای زیادی وجود دارند. اما الگوریتم کارآمد و مفیدی برای یادگیری این ساختار در شرایط جریانی بودن دادهها وجود ندارد. دادههای جریانی دارای فرضیاتی میباشند که به شرایط واقعی بسیار نزدیک است و از این رو بسیار حائز اهمیت هستند. در این پایاننامه ابتدا بررسی روشهای ممکن برای یادگیری ساختار شبکه بیز در صورت جریانی بودن دادهها انجام شده است و سپس الگوریتمی ارائه شده که از لحاظ پیچیدگی زمانی و مکانی با فرضیات دادههای جریانی مطابقت داشته باشد. ضمناَ، از آنجا که فرض شده است دادهها ایستان میباشند، همگرایی و حساس نبودن الگوریتم پیشنهادی به نویز نیز اثبات شده است. آزمایشاتی بر روی چندین داده استاندارد شبکه بیز نیز انجام شده که نتایج این آزمایشات، درستی قضایای همگرایی و حساس نبودن به نویز را تایید میکند. در بخش دوم این پایاننامه کاربرد جدیدی برای شبکه بیز در تلفیق نظر چند طبقه بیز معرفی شده است. برتری استفاده از شبکه بیز نسبت به روشهای سابق که اکثراَ مبتنی بر وزندهی هستند این است که، حتی از طبقهبندهایی که دقت پایین دارند به خوبی استفاده میکند و مانند روشهای وزندهی نیاز نیست تا فرض شود که تمام طبقهبندهای پایه دقتی بیش از 5 % داشته باشند. دو مثال شهودی برای درک بهتر مزیت استفاده از شبکه بیز در تلفیق طبقهبندها بیان شده است. در نهایت این سیستم تلفیقگر برای دادههای جریانی نیز استفاده شده است. برای این منظور از الگوریتم ارائه شده در بخش اول پایاننامه استفاده شده. الگوریتم پیشنهادی بر روی چند داده از مخزن uci و چند داده از دادههای استاندارد شبکه بیز بررسی شده که نتایج بهدست آمده حاکی از این است که استفاده از شبکه بیز برای طبقهبندی باعث بهبود دقت و همچنین قابلیت اطمینان طبقهبند میشود.