贝叶斯学习是机器学习领域中一类重要的方法,它能够结合先验信息和样本中的信息捕捉参数的不确定性,进而获得目标后验分布。马尔可夫链蒙特卡罗采样通过生成一个平稳分布为目标后验分布的马尔可夫链来实现参数抽样,并用抽样生成的离散样本来近似目标后验分布。随着巨大的信息量和数据流的出现,如何高速且低成本地处理这些数据,发现大数据中存在的信息成为人们目前主要的关注点。马尔可夫链蒙特卡罗方法在处理大数据集时的计算成本非常高,每一次迭代过程都需要遍历整个数据集,因此随着数据量的增长该方法的可操作性日益降低。近年来,基于小批量采样思想的随机分批马尔可夫链蒙特卡罗算法可大幅降低处理大数据集的单次迭代过程的计算成本,但是该方法在大型数据集和计算复杂模型时收敛到目标后验分布的速度非常缓慢,随着迭代次数的增加计算的成本也会不断提高。本文研究了一种能够加快随机分批马尔可夫链蒙特卡罗算法收敛速度,且能降低计算成本的加速算法,使得生成的马尔可夫链能够以较少的迭代次数快速获得稳态分布,进而逼近目标后验分布。本文的主要特色包括:借鉴随机优化方法中动量加速的思想,引入一种动量随机梯度朗之万蒙特卡罗方法,这是一种新的用于逼近目标后验分布的算法。本文从理论分析和实证模型两方面论证该方法的收敛性质与计算成本,在理论上证明了算法的遍历性并讨论了算法的收敛速度。在计算实验部分,本文分别基于模拟数据集和经典的MNIST数据集建立了逻辑回归模型和贝叶斯神经网络模型,比较动量随机梯度朗之万蒙特卡罗算法与其它流行的马尔可夫链蒙特卡罗算法的收敛速度和计算时间成本。实验结果表明,本文提出的动量随机梯度朗之万蒙特卡罗方法相比于SGLD、SGHMC、SHNHT等流行的方法,能够加快算法的收敛速度,并快速收敛到目标后验分布,且能够保持最低的计算时间成本。