一直以来,自然产生的正数据序列呈现维度高、噪声多、类别难以区分等特点。为了对正数据序列的复杂问题提供解决方案,本论文提出了基于连续HMMs（Hidden Markov Models,HMMs）与逆狄利克雷（Inverted Dirichlet）混合模型的数据建模方法。HMMs长期以来一直是最常用时间序列数据建模概率图模型之一。它已广泛应用于人脸识别、异常检测、医学基因检测等领域。在本文中,我们基于理论和实验提出了连续HMMs的一系列变体,用于对正序列数据进行无监督学习。本论文提出以下三种方法:（1）基于逆狄利克雷混合模型的连续HMMs相比于常见的高斯分布,逆狄利克雷分布适用于多个对称模式和非对称模式的数据,对于正数据（positive data）的拟合比高斯分布更好,从而提供更加灵活和强大的建模能力。因此,我们提出基于逆狄利克雷混合模型的连续HMMs,对正数据序列进行建模分析。这一部分中,我们会利用变分贝叶斯（variational Bayes）方法来推导逆狄利克雷HMMs的模型参数,并利用模拟实验和网络入侵检测应用来验证模型的性能。（2）加入特征选择的广义逆狄利克雷混合模型的连续HMMs对于一些连续正数据序列的无监督学习,大多数模型没有考虑到数据特征的重要性或相关性。实际上,在无监督聚类中加入特征选择是非常有意义的研究。加入特征选择（feature selection）的模型在估算参数的同时可以对特征重要度进行评估。我们提出在基于广义逆狄利克雷混合模型的连续HMMs的基础上加入特征选择,从而构成一个整体的模型框架。除了实现对模型的参数估算之外,算法还能对数据特征的相关度做出评估。在这里,我们同样使用变分贝叶斯的学习算法来学习模型,并利用模拟实验和人体动作识别应用来验证模型的性能。（3）基于狄利克雷过程的无限连续HMMs经典的连续HMMs具有局限性,例如它需要提前设定数据所属的隐状态的数量。在面对未知状态数或类别数的正数据时,有限的HMMs不能很好地解决问题。因此,我们将对有限HMMs进行扩展,提出基于狄里克雷过程（Dirichlet Process）的含有无限多个隐状态的连续HMMs,该模型不需要人为提前设置状态数。在构建模型的同时,可以对状态数进行估计。事实上,基于狄里克雷过程的无限连续HMMs是一种非参数贝叶斯模型,可对未知状态数或类别数的正数据进行无监督学习。另外,对于模型本身对应的发射密度,我们依旧采用逆狄利克雷混合分布。为了构建狄里克雷过程的框架,我们采用了变分推断的方法来估计模型,并利用模拟实验和大脑区域分析应用来验证模型的性能。本文提出以上的三种方法在合成数据集以及KDD CUP 1999、MSR Action3D、f MRI等公开数据集上进行了实验。实验结果能够表明,对比其他同类的算法,本文提出的三种方法均可以取得良好的结果。