随着信息时代的发展,我们可能收集到存在的数据集可能存在异质性和高维度等特点。当数据来自于一个异质群体时,对整个数据集拟合一个单一的模型通常是不充分的,需要对数据中的子群体进行识别,对每个子群体拟合一个模型。有限混合回归模型常被用于解决该类问题。在高维情况下,我们通常需要通过变量选择对数据进行降维,而不同子群体的回归模型可能需要不同的预测变量子集来解释响应变量。因此相比于单一的回归模型,有限混合回归模型的变量选择问题更为复杂。我们提出了一种贝叶斯变量选择方法来拟合线性回归的有限混合模型,该模型假设数据来自一个异质群体,该群体由多个具有不同特征的不同子群体组成,在每个子群体内,响应变量可以通过对预测变量的线性回归来解释。本文在混合回归模型的基础上引入spike-and-slab先验,可以识别出每个群体中重要的预测变量。同时,考虑到同个预测变量在不同子模型中的相同作用,我们对该方法进行了扩展,提出了有限混合回归模型的分组变量选择方法。在算法上,传统贝叶斯变量选择方法多采用MCMC算法等抽样方法,该算法在大数据情况下具有耗时久、占用计算资源大等缺点。为此,本文推导了基于变分推断的VBEM算法,可以较快地同时实现对样本的聚类以及模型系数的估计。我们设置了两组模拟实验,将两种方法与基于惩罚似然和传统贝叶斯变量选择方法对比,验证了其具有良好的性能。同时我们也对真实数据进行了分析,以进一步说明方法的有效性。