贝叶斯网络结构学习算法主要包括爬山法和K2算法等，但这些方法均要求面向大样本数据集。针对实际问题中样本集规模小的特点，通过引入概率密度核估计方法以实现对原始样本集的拓展，利用K2算法进行贝叶斯网络结构学习。通过优化选择核函数和窗宽，基于密度核估计方法实现了样本集的有效扩展；同时基于互信息度进行变量顺序的确认，进而建立了小规模样本集的贝叶斯结构学习算法。仿真结果验证了新学习算法的有效性和实用性。