贝叶斯模型作为概率形式表示变量之间不确定关系的学习方法,具有完善的理论基础及灵活的推断能力,因而成为数据挖掘的有效工具。本文针对其计算复杂度较高之不足,受相关向量机的启发,在贝叶斯理论基础上提出了稀疏贝叶斯模型,并将其应用于分类与回归问题上,主要工作有:1)提出了稀疏贝叶斯分类并进一步应用到代价敏感问题上。根据自相关决策(ARD),假设参数向量符合零均值的高斯先验分布,通过概率表示样本正确分类的置信度并结合样本信息和先验知识计算最大后验概率,从而求取最优分类超平面。进一步将该稀疏贝叶斯模型用于代价敏感问题,并在人工数据集和UCI数据集上的实验结果验证了算法的有效性。,2)提出了稀疏贝叶斯回归并进一步应用到异常检测问题上。与稀疏贝叶斯分类模型不同,该算法假设回归问题上的噪声服从零均值的高斯分布,通过求取最大后验概率找到最优回归面,并推广到异常检测问题上,人工数据集和UCI数据集上的实验结果验证了算法的有效性。