现实中的许多工程应用问题都涉及到建模数据中自变量与因变量的统计关系,但由于信息的缺失和误差引入的不确定性,传统的分类和回归模型面临着失效的问题,若想提取更可靠的信息就需要建模整个条件概率分布。条件密度估计是在给定条件下估计随机变量概率密度函数的一类任务。该任务中模型需要输出目标随机变量所有取值的概率密度,可以被认为是分类和回归任务的一般化推广。该技术使得量化与目标变量预测有关的不确定性成为可能,有效避免信息缺失和测量误差给分类和回归等确定性技术带来的模型失效问题,并能可视化不确定性以帮助人们做出合理决策。神经网络以其强大的表达能力在条件密度估计领域取得了突破性进展。然而,主流神经网络方法都基于一系列对分布形态的先验假设,如果真实条件概率分布与模型的先验假设严重不符时,其性能会受到极大的影响。一种朴素的策略是构建分段常数函数以得到真实概率分布函数的近似。该策略不对分布的形态作任何假设,可以用于构建任意形式的分布函数,但这种方法因缺少对输出空间的合理平滑性假设,面临着严重的过拟合问题,尤其是在数据样本不足的情况下。本文就以上问题展开研究,探索一种自由形式的条件密度估计方法,主要工作内容如下:（1）提出一种基于反卷积神经网络框架的条件密度估计模型。该模型通过多个反卷积层在网络的离散输出空间引入了一种层次化的空间相关性和平滑性约束,减缓了分段常数函数模型的过拟合问题,能够构建自由形式的条件分布。此外,框架还引入了基于掩码的自回归策略以建模高维条件分布,并使用变分信息瓶颈以进一步防止过拟合。（2）探究了条件密度估计技术的应用,以人脸图像年龄分布预测、乘客下车位置预测、混凝土抗压强度分布预测等具体案例来展示条件密度估计与传统的回归和分类技术的不同之处,以及分析该技术在可视化不确定性和辅助做出合理决策上起到的重要作用。