随着信息技术发展，通过访问内容去审查用户网络访问行为的应用问题逐渐成为备受关注的一项数据建模应用问题。现有的主题模型能够从长度和规模不定的数据中抽取每个数据实例的主题特征，进行内容建模；而在序列分析方面，隐马尔可夫模型是一种广泛使用的序列数据概率生成模型。将这些现有概率模型应用到访问内容的序列建模时，需要事先选择固定的概率模型混合成分数量，这在本文的有关应用场景中是一个亟待解决的问题。　　本文引入了分层狄利克雷过程这一随机过程，其能有效解决概率模型中的混合成分数量如何确定的模型选择问题。通过将分层狄利克雷过程应用到文本主题提取以及隐马尔可夫模型参数学习中，本文提出了一套形式规范的概率生成模型方法，使用变分推断的参数学习方法从访问序列中高效率地提取出隐马尔可夫模型参数组，以表征用户的访问模式，并且创新地提出HDP-HMM-多元正态分布的变分求解迭代公式，从而解决网络用户数据访问行为建模的应用问题。本文还对所提出的方法展开了一系列基于真实局域网收集数据的实验，以验证方法的有效性；实验结果表明,分狄利克雷过程相关模型能够有效提取参数组，为不同用户确定似然度高的隐状态数量。最后，本文还讨论了诸如在线更新算法等进一步提高计算效率的方法。