在机器学习和贝叶斯推理中,复杂的概率模型通常需要计算难解的高维积分。马尔科夫链蒙特卡洛(Markov Chian Monte Carlo,MCMC)是一种常用的贝叶斯概率模型的近似方法。MCMC利用从马尔科夫链中采样得到的样本去近似复杂的概率分布。当采样的样本数量足够大时,它能够为概率模型提供渐近无偏的估计。基于动力学的采样方法是当前最流行的MCMC方法之一,其中哈密尔顿蒙特卡洛(Hamiltonian Monte Carlo,HMC)是基于动力学的MCMC方法中最典型的代表,它利用哈密尔顿动力学去构建马尔科夫链,从而高效地从目标分布中采样。然而,HMC在样本自相关性和多模态采样问题上存在明显的不足。本文的工作是研究基于动力学的采样方法,并设计能够采样多模态分布的高性能的采样器。首先,为了进一步提高现有动力学采样器的性能,即提高收敛速度和降低样本的自相关性,本文提出了神经郎之万蒙特卡洛(Neural Networks Langevin Monte Carlo,NNLMC)。它充分利用了神经网络的灵活性和郎之万动力学采样的高效性来构建一种新的MCMC采样方法。我们提出了新的更新公式来产生样本,并利用合适的损失函数在采样的过程中进一步提高NNLMC的性能。为了验证采样器的性能,我们在各种具有挑战性的分布以及真实数据集的后验分布上进行采样。实验结果显示,NNLMC能够高效、准确、独立地从目标分布中采样。其性能优于最先进的MCMC采样器。此外,为了能够处理多模态的数据分布,本文进一步提出了郎之万规范化流蒙特卡洛(Langevin Normalization Flows Monte Carlo,NFLMC)。它将郎之万扩散引入规范化流来构建一种全新的动力学采样方法。我们提出合适的损失函数来保证采样器产生的样本能收敛到目标分布上。之后,我们针对未规范化的目标分布进行进一步的研究。我们在多模态分布、各种复杂的数据分布、以及真实数据集的后验分布上进行实验。最终的实验结果表明,提出的方法不仅能够处理各种复杂的数据分布和真实数据集的后验分布,而且还能够准确地从多模态分布中采样,同时保持低的样本自相关性。其性能优于最先进的MCMC采样器。最后,为了针对远距离的多模态分布,本文进一步提出了变分混合蒙特卡洛(Variational Hybrid Monte Carlo,VHMC)。我们通过构建一个合适的变分分布来发现新的模态,并且设计新的样本接受率使得VHMC能够收敛到目标分布。为了验证采样器的性能,我们在各种混合高斯分布上进行实验。最终结果表明,我们的方法能够准确高效地采样远距离的多模态分布。综上,本文提出的NNLMC、NFLMC、VHMC能够针对不同的数据分布高效准确地采样。作为一种高效的采样方法,NNLMC利用神经网络构建更加灵活的马尔科夫链。相比于传统的动力学采样方法,NNLMC产生的样本具有更低的自相关性。作为一种多模态采样方法,NFLMC利用郎之万规范化流来构建不同分布之间的映射关系。相比于NNLMC,NFLMC能够更准确高效地采样多模态数据分布,同时进一步消除了样本之间的自相关性。作为一种远距离的多模态采样方法,VHMC通过构建目标分布的变分分布来实现对不同模态的探索。相比于NFLMC,VHMC能够进一步针对远距离的多模态分布进行准确地采样。在各种复杂的数据分布、多模态数据分布、真实数据集的后验分布上的采样结果验证了NNLMC、NFLMC和VHMC的准确性和有效性。