潜特征学习是统计机器学习中的重要研究领域,其目标是寻找高维数据的有效低维表示。其中,贝塔过程是一种用于潜特征学习模型的强有力的工具。贝塔过程作为一种非参贝叶斯模型,可以学习到模型中特征的数目且该数目可以随着数据量的改变而自适应改变。对时序或空间数据建模时,由于数据通常依赖于时间或空间,不能任意交换数据的顺序。然而,传统的贝塔过程假设了交换数据顺序不影响数据的分布。为了解决上述问题,依赖的贝塔过程应运而生,通过引入依赖信息,它可以更精确地建模时序或空间数据。本文从广度和深度两个角度对依赖的贝塔过程进行研究。在广度上将核贝塔过程应用于对偶特征空间的字典学习问题,在深度上提出了折棍构造的依赖贝塔过程并对其进行变分推理研究。一方面,考虑到需要建模数据之间的依赖关系,本文将核贝塔过程应用于单幅图像的超分辨率任务,在高低分辨率对偶空间中分别构建两个特征空间的字典。实验表明,该方法比贝塔过程更好地解决了图像的超分辨率任务。另一方面,本文深度探索依赖贝塔过程的构造问题,提出了一种新的依赖贝塔过程——变分依赖贝塔过程。主要工作包括:1)提出使用折棍的方法来构造依赖贝塔过程;2)采用灵活且高效的高斯过程对数据的依赖信息进行建模;3)使用近似变分推理方法来推导模型中潜变量的后验分布。变分依赖贝塔过程引入了数据之间的依赖信息,可以去除数据顺利可交换的假设,同时折棍构造方法的采用使得模型有利于变分推理求解。本文给出了依赖贝塔过程的变分推理的简洁表示,将所提出的变分依赖贝塔过程用于伯努利过程的先验,构建了使用变分依赖贝塔过程的稀疏贝叶斯模型,在图像去噪和图像修复的实验上证实了模型的有效性。