Desde el comienzo del siglo XXI, la investigación en inteligencia artificial ha avanzado considerablemente. Las redes bayesianas se han convertido gradualmente en uno de los puntos calientes y logros importantes en la investigación de inteligencia artificial. Establecer una estructura de red bayesiana efectiva es la base y el núcleo del aprendizaje y la aplicación de redes bayesianas. En el aprendizaje de la estructura de redes bayesianas, el método tradicional de utilizar el conocimiento experto para construir la estructura de la red está siendo gradualmente reemplazado por el método de aprendizaje de estructura basado en datos. Sin embargo, como resultado de la gran cantidad de posibles estructuras de red, el espacio de búsqueda es demasiado grande. El método de aprendizaje de redes bayesianas a través de datos de entrenamiento suele tener problemas de baja precisión o alta complejidad, lo que hace que la estructura de aprendizaje difiera considerablemente de la realidad, lo que influye en gran medida en el razonamiento y la aplicación práctica de las redes bayesianas. Para resolver este problema, se discretiza un algoritmo híbrido de optimización de colonia de abejas y se aplica al aprendizaje de estructuras. Se propone una técnica de optimización híbrida para el método de aprendizaje de estructuras de redes bayesianas. Los resultados de simulación experimental muestran que el algoritmo propuesto de aprendizaje de estructura de optimización híbrida tiene una mejor estructura y una mejor convergencia.