基于贝叶斯技术的分类是当前数据挖掘领域的一个研究热点。本文从两个方面对贝叶斯分类模型进行了深入的研究：半朴素贝叶斯分类与增量贝叶斯分类。 半朴素贝叶斯分类模型对朴素贝叶斯分类模型的结构进行了扩展，其目的是为了突破朴素贝叶斯分类模型特征属性间独立性假设限制，提高分类性能。目前半朴素贝叶斯分类模型学习的关键是如何有效组合特征属性。针对已有的学习算法中存在的效率不高及部分组合意义不大的问题，本文提出了条件互信息度量半朴素贝叶斯分类学习算法(CMI-BSNBC)。运用实验数据进行了比较实验，实验取得了大量的数据。在分析结果的基础上得出了相应的结论，证明了模型的有效性。 增量贝叶斯分类模型的关键是测试实例的选择策略，本文研究的重点是如何充分利用训练集的先验知识并使其在学习过程中向前传递，提出了新的模型。新模型的基本思想是基于0-1分类损失用训练集对候选测试实例进行检验，这保证了与训练集相容性较好的测试实例被优先选择。