随着大数据、云计算等现代科学技术的发展,海量高维数据逐渐渗透到社会生活的各个方面。高维数据特征维度很大,甚至远大于观测样本数,这给数据的存储、建模和计算带来很大的困难。然而这种数据往往包含大量的冗余信息,在具体问题进行建模分析时,真正涉及到的特征维度通常远低于观测数据维度。稀疏学习就是从高维复杂数据信息中筛选出我们需要的特征,达到压缩信息的目的。常见的稀疏学习可以从正则化稀疏模型以及贝叶斯角度下的稀疏学习方法等方面入手,而上述两种方法之间可以相互转化。基于贝叶斯理论框架,对线性模型稀疏学习问题的研究已经具备了较为完善的理论和体系,但线性模型存在一定的局限性,对很多问题并不适用。因而我们考虑在广义线性模型下的稀疏贝叶斯学习问题,从应用较为广泛的Logistic回归出发,在贝叶斯框架下研究稀疏模型的相关性质。本文取系数先验为尖峰厚尾分布――广义双Pareto分布,保证能够明显区分零附近的系数和非零系数,从而达到稀疏学习的目的。本文从理论上证明了这种先验分布定义方式具有良好的性质。首先,我们揭示了本文模型下待估系数最大后验估计与正则化过程的联系,同时推导了在给定先验下最大后验估计的Oracle性质:稀疏性和渐近正态性。其次,本文从贝叶斯角度出发,研究了在广义双Pareto收缩先验下Logistic回归系数后验分布的性质,证明得到,在7)2范数意义下,系数的后验估计渐近集中于真实稀疏向量。最后,本文利用EM算法和Gibbs采样算法分别来求解最大后验估计和后验均值估计,并利用数值模拟验证本文方法的有效性。